深度学习模型用于在患有结直肠肝转移的患者中进行自动瘤细分和瘤总体积评估

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 计算病理学计算病理学

背景情况:

• 结肠直肠肝转移 (CRLM) 的评估对于治疗规划和反应评估至关重要.
• 手动瘤细分用于计算总瘤体积 (TTV) 是耗时且容易变化的.
• 当前的方法在瘤反应评估中经常忽略TTV.

研究的目的:

• 开发和验证用于肝脏和CRLM自动细分的深度学习模型.
• 为了能够准确和有效地计算CRLM患者的TTV.
• 在内部和外部验证队伍中评估这些模型的性能.

主要方法:

• 包括来自CAIRO5试验的259名最初无法切除的CRLM患者的前性队列.
• 深度学习模型在595个CT扫描中接受了训练,其中包括肝脏和CRLM的地面真实细分.
• 外部验证是在可切除CRLM的患者的72次手术前CT扫描上进行的.

主要成果:

• 自细分模型实现了高精度,在试验组中,CRLM的全球子相似系数 (DSC) 为0.86,肝脏的0.96.
• 在测试和外部验证队伍中,自动化和参考TTV计算之间观察到良好的一致性 (ICC 0.98).
• 外部验证队列显示,瘤细分的全球DSC为0.82.

结论:

• 深度学习模型可以准确地和自动地对肝脏和CRLM进行细分.
• 自动化TTV评估是可行的和可靠的,为患者管理提供潜在的好处.
• 这种方法可以显著减少放射科医生的工作量,同时提高准确性和一致性.