基于PET/CT的跨模态深度学习特征,用于预测肺癌中隐藏的结节转移
Yifan Zhong1, Chuang Cai2, Tao Chen1
1Department of Thoracic Surgery, Shanghai Pulmonary Hospital, Tongji University School of Medicine, Shanghai, China.
Nature communications
|November 19, 2023
概括
一个新的深度学习特征准确地预测非小细胞肺癌 (NSCLC) 患者的隐藏结节转移. 这种人工智能工具DLNMS在预测转移方面表现出很高的表现,改进了临床阶段N0 NSCLC的现有方法.
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:
- 隐性结节转移 (ONM) 显著影响非小细胞肺癌 (NSCLC) 治疗策略.
- 在临床阶段N0 NSCLC中准确预测ONM对于有效的患者管理至关重要.
研究的目的:
- 开发和验证使用正子发射断层扫描/计算机断层扫描 (PET/CT) 的深度学习特征 (DLNMS),用于预测临床N0NSCLC阶段的ONM.
- 与传统方法相比,评估DLNMS的预测性能.
主要方法:
- 使用内部队列 (n=1911) 构建了一个深度学习节点转移特征 (DLNMS).
- 在外部队列 (n=355) 和前队列 (n=999) 中验证了DLNMS.
- 预测性能的评估是使用接收器操作特征曲线 (AUC) 下的面积来评估的.
主要成果:
- 对于隐性N1预测,DLNMS实现了高AUC值 (0.958内部,0.879外部,0.914前性).
- 对于隐性N2预测,DLNMS实现了高AUC值 (0.942内部,0.875外部,0.919前性).
- DLNMS显著优于单模深度学习模型,临床模型和医生评估.
结论:
- DLNMS显示出在临床阶段N0NSCLC中预测隐藏结节转移的显著潜力.
- 这种人工智能驱动的方法提供了一个有前途的工具,以提高NSCLC患者的治疗决策.
- 与现有的方法相比,DLNMS为结节转移提供了更高的预测准确度.
