基于人工智能的非侵入性瘤细分,等级分层和对清细胞细胞癌的预后预测

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 瘤学和泌尿病学 在线咨询
• 计算病理学计算病理学

背景情况:

• 清细胞细胞癌 (ccRCC) 呈现复杂的组织病理特征,需要非侵入性预后方法来选择治疗.
• 对ccRCC进行准确的手术前评估对于指导手术和治疗策略至关重要.

研究的目的:

• 开发和验证一个深度学习模型,用于使用计算机断层扫描 (CT) 图像进行ccRCC的非侵入性细分和风险分层.
• 评估模型预测瘤等级和患者生存风险的能力,从而为临床决策提供信息.

主要方法:

• 一个V瓶多个解决方案和焦点器官网络 (VB-MrFo-Net) 是使用级联深度学习框架开发的.
• 该模型在来自四个独立患者队伍的126,345张CT图像上进行了训练和验证.
• 绩效使用Dice分数进行分段和AUC进行等级预测,使用危险比率 (HR) 进行生存分析.

主要成果:

• 与VB-MrFo.Net相比,VB-MrFo-Net显示出优越的瘤细分性能 (盘子分数:0.87) 与VB-Net.Net相比显示出优越的瘤细分性能 (盘子分数:0.87).
• 核级预测模型实现了AUC值,范围从0.782到0.746.
• 生存分析证实了该模型能够区分高风险患者 (HRs在队列中从2.49到3.83不等).

结论:

• 拟议的VB-MrFo-Net提供了一种用于自动瘤细分和ccRCC诊断的非侵入性CT成像的新方法.
• 风险分层模型准确地识别了高瘤等级和生存风险的患者,为手术前治疗计划提供了宝贵的指导.