使用临床数据驱动的深度学习算法,从头部和部癌症患者的预治疗计算机断层图像中识别淋巴结及其状态

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 头癌在台湾是一个普遍的疾病,需要准确的临床分期才能有效治疗.
• 淋巴结的参与是癌症分期的关键因素,通常通过图像分析来确定.
• 目前的诊断方法依赖于解释临床图像以确定瘤扩散到淋巴结.

研究的目的:

• 开发和评估一种用于分析临床图像的新型算法,以检测淋巴结参与头癌的淋巴结参与.
• 将深度学习模型与图像处理技术集成在一起,以加强淋巴结分类.
• 分析算法在分类淋巴结时使用的特征.

主要方法:

• 追溯收集271名头癌患者 (2008-2018) 的治疗前计算机断层扫描 (CT) 图像和病理报告.
• 利用一个训练有素的语义细分的3D UNet模型来分析CT图像.
• 在29名患者的单独测试数据集上进行推断和评估.

主要成果:

• 成功注释了2527个淋巴结,实现了80%的检测率,子得分为0.71.
• 对较大的淋巴结的检测率有所改善.
• 观察到一种趋势,将较短的淋巴结短轴与阴性淋巴结状况相关联,符合临床预期.

结论:

• 开发的模型在临床图像上检测淋巴结方面表现令人信服.
• 计划与临床医生合作进一步完善和验证该模型.
• 该算法有可能提高头癌中淋巴结分期的准确性.