预测直肠癌中的瘤沉积:使用T2-MR成像和临床特征的综合深度学习模型
Yumei Jin1,2, Hongkun Yin3, Huiling Zhang3
1Department of Medical Imaging Center, Qujing First People's Hospital, Qujing, 655000, Yunnan Province, China. 454426641@qq.com.
Insights into imaging
|December 20, 2023
概括
这项研究开发了一种混合深度学习 (DL) 模型,用于预测直肠癌 (RC) 患者的瘤沉积 (TD). 该模型显示出强大的预测性能,为手术前评估提供了有价值的工具.
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:
- 瘤沉积 (TDs) 是直肠癌 (RC) 预后不佳的关键指标.
- 精确的手术前确定TDs对于有效的治疗计划和患者管理至关重要.
- 目前用于TD检测的方法在灵敏度和特异性方面可能有局限性.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于在直肠癌 (RC) 患者中进行手术前预测瘤沉积 (TD).
- 整合T2加权磁共振成像 (T2-MR) 数据和临床因素,以提高预测准确度.
- 将拟议的混合DL模型的性能与传统的临床和DL模型进行比较.
主要方法:
- 对327名确诊TD状态的直肠癌患者进行了回顾性分析.
- 开发四种预测模型:临床模型,单通道DL模型,多通道DL模型和混合DL模型.
- 使用独立测试数据集的验证和通过接收器操作特征 (ROC) 和决策曲线分析 (DCA) 的性能评估.
主要成果:
- 混合DL模型在开发数据集中实现了0.857的最高曲线下面积 (AUC),优于其他模型.
- 混合DL模型在开发组中与单通道和多通道DL模型相比 (p < 0.001) 显示出明显更高的AUC.
- 决策曲线分析证实了混合DL模型在广泛的值概率中具有优越的净收益.
结论:
- 开发的混合DL模型证明了在直肠癌中对瘤沉积物的显著预测效果.
- 该模型为手术前评估提供了一个有前途的非侵入性工具,有助于治疗决策.
- 在混合DL框架内整合T2-MR成像和临床数据,为识别TD提供了准确有效的方法.
