基于深度学习的固体组件测量能够对肺腺癌瘤的瘤侵入性进行可解释的预测
Jiajing Sun1, Li Zhang2, Bingyu Hu3
1Taizhou Hospital, Zhejiang University School of Medicine, Taizhou, China.
Lung cancer (Amsterdam, Netherlands)
|October 10, 2023
概括
一个人工智能算法准确地测量了亚固体结节 (SSN) 中的固体成分比率,改善了对肺腺癌侵入性的预测. 这种人工智能方法比手动放射科医生测量更快,更一致.
科学领域:
- 肺部医学 肺部医学
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 亚固体结节 (SSN) 的固体成分对于评估病理侵入性至关重要.
- 目前,SSN中固体成分的术前评估缺乏标准化的参考.
研究的目的:
- 开发和评估一个AI算法来测量SSN中的固体组件比率.
- 将人工智能算法的诊断性能和效率与手动放射科医生的测量进行比较,以预测肺腺癌的侵入性.
主要方法:
- 这是一项追溯性研究,涉及379名患者 (278名初级,101名验证).
- 开发了一个AI算法来测量SSN中的1D,2D和3D固体组件比率.
- 放射科医生手动测量了巩固到瘤比率 (CTR) 两次,间隔四周. 诊断性能是使用接收器运行特征曲线 (AUC) 下的面积来评估的.
主要成果:
- 在初级数据集中,人工智能算法在测量3D固体成分比率 (AUC:0.811) 与手动方法 (AUC:0.697) 相比,表现出优异的预测性能.
- 人工智能3D方法的诊断性能与1D和2D测量相当或优于1D和2D测量,并且在验证数据集中表现优于放射科医生的测量 (AUC:0.803vs0.682).
- 人工智能测量显著更快 (约60倍),并且显示出比手工测量更好的一致性,在四周内,7.9%的病例一致性不佳.
结论:
- 基于人工智能的SSN固体组件的3D测量是预测病理侵入性的有效和客观方法.
- 这种人工智能方法可以作为一种有价值的手术前指标,用于肺腺癌的病理侵入性.
