与对比增强的基于CT的深度学习放射学Nomogram用于预测胆囊癌的存活率
Fan-Xiu Meng1, Jian-Xin Zhang2, Ya-Rong Guo3
1Faculty of Graduate Studies, Shanxi Medical University, Taiyuan, 030000, China (F.X.M., W.H.S.); Shanxi Bethune Hospital, Shanxi Academy of Medical Sciences, Tongji Shanxi Hospital, Third Hospital of Shanxi Medical University, Taiyuan, 030032, China (F.X.M.).
Academic radiology
|December 7, 2023
概括
这项研究开发了一种综合模型,结合了临床数据,放射学和深度学习,以预测胆囊癌 (GBC) 手术后的生存率. 该模型准确识别高风险患者,帮助制定个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的预后模型对于开发有效的胆囊癌 (GBC) 治疗策略至关重要.
- 预测术后切除患者生存率对于个性化患者管理至关重要.
研究的目的:
- 开发和验证一个综合预后模型,用于预测胆囊癌 (GBC) 患者在手术切除后的生存率.
- 结合临床特征,放射学和来自计算机断层扫描 (CT) 图像的深度学习,以提高生存预测.
主要方法:
- 一项对167名经过手术切除的GBC患者的回顾性研究.
- 提取手工制作的放射学特征,并应用DenseNet121模型用于深度学习签名开发.
- 整合临床,放射学和深度学习的签名,使用后勤回归来形成一个统一的多式联络模型.
主要成果:
- 综合多式模式模型在测试组中实现了曲线下的面积 (AUC) 0.870和一致性指数 (C指数) 0.736.
- 卡普兰-梅尔分析证实高风险组与低风险组相比,高风险组的生存概率明显较低 (逻辑等级p <0.05).
结论:
- 开发的诺米图有效地预测了手术后GBC患者的生存率.
- 该模型有助于识别高风险患者,促进个性化管理和改善胆囊癌的结果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K