通过转移学习对地玻璃结节性肺腺癌病理亚型的歧视:一项多中心研究
Chun-Long Fu1, Ze-Bin Yang1, Ping Li2,3
1Department of Radiology, Affiliated Dongyang Hospital of Wenzhou Medical University, Dongyang, China.
Cancer medicine
|September 19, 2023
概括
一个新的3D深度转移学习模型可以使用CT扫描来区分侵袭性肺腺癌 (IAC) 和微侵袭性腺癌 (MIA). 这种人工智能工具有助于为患有地面玻璃结节的肺癌患者选择适当的外科手术策略.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 区分侵袭性腺癌 (IAC) 和肺部微侵袭性腺癌 (MIA) 是至关重要的,因为它们的手术方法和预后不同.
- 在计算机断层扫描 (CT) 扫描中,IAC和MIA都呈现为相同的地面玻璃结节 (GGNs),这构成了诊断挑战.
- 目前,没有有效的非侵入性方法可以根据成像准确区分IAC和MIA.
研究的目的:
- 开发和验证一种新的3D深度转移学习模型,用于在肺癌患者中准确的手术前区分IAC和MIA.
- 评估模型在基于CT图像的GGN分类中的性能.
主要方法:
- 使用MedicalNet (3D医学图像预培训模型) 和用于分类的融合模型创建了一个3D深度转移学习模型.
- 转移学习用于端到端的预测建模,使用来自主要队列中心的数据.
- 该模型被独立验证,使用来自两个额外的队列中心的病理诊断数据,包括来自921名患者的999张肺GGN图像.
主要成果:
- 该模型在培训和验证数据集中显示出高诊断效率.
- 性能指标包括高精度 (高达89%),灵敏度 (高达95%),特异性 (高达93%),接收器操作特征曲线下的面积 (AUC,高达95%).
- 外部验证显示性能强,AUC在82%至89%之间.
结论:
- 开发的3D深度转移学习模型提供了一种非侵入性,具有成本效益,快速和可重复的方法,用于在患有GGN的肺癌患者中进行手术前预测IAC与MIA.
- 这种人工智能驱动的方法可以帮助临床医生选择最佳的手术策略.
- 预计改善手术前的歧视可以改善患者的预后.
