基于深度学习的放射性名图来预测胸膜上皮瘤的风险分类:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 胸膜上皮瘤 (TETs) 需要准确的风险分层来进行有效的治疗规划和预后.
• 目前的风险分类方法可以通过先进的预测工具来改进.

研究的目的:

• 开发和评估基于深度学习的放射学模型,用于预测TET的组织学风险分类.
• 创建一个视觉工具,一个基于深度学习的放射性名录 (DLRN),用于评估分类性能.

主要方法:

• 利用手术前对比度增强的CT图像从三个医院的681名患者.
• 提取手工制作和深度学习功能以开发放射学签名 (Rad_Sig,DL_Sig,DLR_Sig).
• 使用接收器操作特征和决策曲线分析 (DCA) 进行模型性能比较.

主要成果:

• 深度学习放射学签名 (DLR_Sig) 显示出有前途的性能 (AUC 0.883导出,0.749外部测试).
• 通过将DLR_Sig与年龄和性别相结合的DLRN,实现了卓越的性能 (AUC 0.965导出,0.786外部测试).
• 与DCA中的其他放射性特征相比,DLRN在临床上具有更大的实用性.

结论:

• 一个DLRN成功开发和验证了准确的TET风险预测.
• DLRN显示了促进个性化治疗策略的潜力.
• 这种工具可以加强对TET病例患者预后的评估.