使用基于CT的深度学习对形态和组织病理特征进行肺腺癌的预测:一项追溯的双机构研究
Taehee Lee1, Kyung Hee Lee2,3, Jong Hyuk Lee1,2
1Department of Radiology, Seoul National University Hospital, 101 Daehak-ro, Jongno-gu, Seoul, 03080, South Korea.
European radiology
|October 20, 2023
概括
使用CT扫描的新型深度学习 (DL) 模型通过分析形态和组织病理特征来预测肺腺癌存活率. 这种基于CT的预后得分显示了改善患者管理的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 肺腺癌预后对于治疗计划至关重要.
- 目前的方法可能无法完全捕捉复杂的瘤特征.
- 深度学习 (DL) 为高级图像分析提供了潜力.
研究的目的:
- 开发和验证基于CT的DL模型,用于肺腺癌预后.
- 评估模型学习形态和组织病理特征的能力.
- 将新的DL模型与以前的DL离散时间生存模型进行比较.
主要方法:
- 在手术前的CT扫描中,DL模型接受了肺腺癌患者的训练.
- 模型预测了五个形态和组织病理学特征.
- 使用时间和外部测试集进行验证,评估无复发率 (FFR) 和整体存活率 (OS).
- 歧视被评估使用时间依赖的区域在接收机运行特征曲线 (TD-AUC) 下.
主要成果:
- 在时间测试组中,DL得分实现了5年FFR的0.79和5年OS的0.73的TD-AUC.
- 在外部测试组中,5年后的OS (0.71) 的DL得分相当于病理阶段.
- DL得分的预后值独立于临床因素,并且显示出与病理阶段相比的可比性或更高的性能.
- 该模型显示了比直接生存预测模型更高的歧视性,尽管在统计学上并不显著.
结论:
- 基于CT的DL模型整合了形态和组织病理特征,显示了肺腺癌预后的前景.
- 这种方法可能会增强手术前后的管理策略.
- 开发的DL得分为预测患者生存结果提供了一个有价值的工具.
