基于CT的深度学习模型用于在地面玻璃中通过空气空间进行传播预测 - 主要是肺腺癌

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:

• 亚叶切除与早期肺腺癌的预后不佳有关,特别是瘤通过空气空间 (STAS) 传播.
• 准确的手术前预测STAS对于肺腺癌的有效手术规划至关重要.
• 这项研究侧重于早期肺腺癌,其瘤小于3厘米,结合与瘤 (C/T) 比率小于0.5.5.

研究的目的:

• 开发和验证一个深度学习模型,用于在肺腺癌中进行STAS手术前预测.
• 评估STAS深度学习 (STAS-DL) 模型与其他预测方法和人类专家的性能.

主要方法:

• 追溯招募来自两个机构的581名肺腺癌患者 (2015-2019).
• 开发STAS-DL模型,用于STAS预测的固体组件封闭 (SCG) 功能提取.
• 外部验证和比较STAS-DL与没有SCG的STAS-DL (STAS-DLwoSCG),放射学模型,C/T比,胸部外科医生使用AUC,精度和决策曲线分析.

主要成果:

• 在测试组 (123名患者) 中,STAS-DL模型实现了最高的性能,AUC为0.82,准确率为74%.
• STAS-DL显著优于STAS-DLwoSCG (准确率为70%) 和胸部外科医生 (AUC为0.68).
• STAS-DL模型显示了最高的标准化净益,表明了卓越的临床效用.

结论:

• 开发的STAS-DL模型显示了在肺腺癌中准确的手术前STAS预测的巨大潜力.
• 这种人工智能驱动的方法可以帮助手术决策,用于早期阶段,磨砂玻璃占主导地位的肺腺癌.
• STAS-DL模型提供了一个有前途的工具,可以改善手术规划和患者的治疗结果.