基于CT的放射学深度学习特征的开发和验证,以预测非功能性胰腺神经内分泌瘤中的淋巴结转移:一项多队列研究

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:

• 淋巴结转移 (LNM) 对非功能性胰腺神经内分泌瘤 (NF-PanNETs) 影响治疗和结果至关重要.
• 目前的临床指南缺乏关于淋巴结解剖值的准确性,特别是在2厘米左右的瘤中.

研究的目的:

• 开发和验证使用对比度增强的CT图像在NF-PanNET中对淋巴结转移 (LNM) 的预测模型.
• 将放射学深度学习签名 (RDP) 与临床病理因素集成,以改善LNM预测.

主要方法:

• 对来自两个机构的320名NF-PanNET患者 (2010-2022) 的回顾性分析.
• 使用十种机器学习技术开发乡村发展计划.
• 创建一个整合RDPs和临床病理因素 (血管侵袭,围神经侵袭,瘤等级) 的组合名录.
• 用曲线下的面积 (AUC) 评估模型性能.

主要成果:

• 在这两个中心,RDP显示了LNM的高预测性能 (AUC为0.88和0.91).
• 组合诺图表实现了优异的LNM预测 (AUC 0.93).
• 该模型在不同瘤大小 (≤2厘米和>2厘米) 中显示出一致的准确性.

结论:

• 开发的RDPs模型显示了在NF-PanNET中进行LNM的术前预测的潜力.
• 这种工具可以为淋巴结解剖的决定提供信息,并完善治疗策略.
• 该模型解决了当前指南中关于淋巴结管理瘤大小值的局限性.