用深度学习二元分类模型预测成功的临床候选人用于无信托肺瘤跟踪
Matthieu Lafrenière1, Gilmer Valdes1, Martina Descovich1
1University of California, San Francisco, San Francisco, California, USA.
Journal of applied clinical medical physics
|September 11, 2023
概括
一个新的深度学习模型准确地预测了哪些肺癌患者可以接受CyberKnife机器人放射外科手术的信托免费瘤跟踪. 这种人工智能工具绕过了漫长的肺优化治疗 (LOT) 模拟,简化了治疗计划.
科学领域:
- 医学物理 医学物理
- 放射性外科手术 放射性外科
- 人工智能在瘤学中的应用
背景情况:
- 虽然CyberKnife系统能够实现无信任肺部SBRT,但并非所有患者都适合用于瘤跟踪.
- 瘤的大小,密度和位置等特征会影响2DX射线图像中的追踪可行性.
- 标准的肺优化治疗 (LOT) 模拟是一个多步骤的过程,以评估患者的资格.
研究的目的:
- 开发一种深度学习分类模型,以预测肺瘤跟踪的成功候选人.
- 为了规避传统LOT模拟过程的需要.
主要方法:
- 开发了一种深度学习模型,使用从CT扫描 (DRR) 中重建的数字放射图来将肺病变分类为可追踪或不可追踪的.
- 测试了五种不同的卷积神经网络架构.
- 该模型在129名患者的271张图像上进行了训练和验证,其中80%用于训练,10%用于验证,10%用于测试.
主要成果:
- 所有五个测试的卷积神经网络都实现了100%的二进制分类准确性.
- 该模型在验证和测试组中都表现出了完美的性能,没有错误的分类.
结论:
- 深度学习模型可以在DRR图像上有效区分可跟踪和不可跟踪的肺病变.
- 这种人工智能方法可以准确地识别适合无信托肺瘤跟踪的患者,优化治疗选择.
