基于卷积神经网络的程序,用于预测非小细胞肺癌的淋巴结转移,使用F-FDG PET

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 放射学 放射学是一门学科.

背景情况:

• 非小细胞肺癌 (NSCLC) 的诊断依赖于准确的分期,特别是淋巴结转移的评估.
• 使用2-deoxy-2-[F-18]fluoro-D-glucose (FDG) 的正子发射断层扫描 (PET) 扫描对于分期NSCLC至关重要.
• 来自FDG-PET扫描的最大强度投影 (MIP) 图像提供了用于分析的总结视图.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 用于使用FDG-PET MIP图像预测NSCLC中的淋巴结转移.
• 评估CNN作为放射科医生在这项任务中的诊断辅助工具的有效性.
• 量化诊断准确性和效率的改进.

主要方法:

• 一个基于ResNet-50的CNN在304名NSCLC患者的FDG-PET MIP图像上受过训练.
• 美国有线电视新闻网的表现在131名患者的单独测试组上进行了评估.
• 七名放射科医生独立地两次解释了测试组图像:一次是无助的,一次是CNN的协助.

主要成果:

• 美国有线电视新闻网 (CNN) 在淋巴结转移的预测准确率为0.748.
• 在7名放射科医生中,CNN的协助显著减少了6名放射科医生的预测误差.
• 放射科医生阅读时间在7名放射科医生中5名显著减少了38.0%的中位数.

结论:

• 一个基于CNN的节目显示,它有可能帮助放射科医生预测NSCLC淋巴结转移.
• 该工具可以提高诊断的信心,减少阅读时间,而不会影响准确性.
• 需要进一步验证,特别是在有限的设置中使用MIP图像.