深度学习预测食道状细胞癌的入侵深度从动脉相增强CT图像:二元分类方法

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:

• 精确预测食道状细胞癌 (ESCC) 侵袭深度对于治疗规划和减少侵袭性手术至关重要.
• 目前用于评估ESCC入侵深度的方法缺乏精度,可能是侵入性的和昂贵的.
• 需要为ESCC分期提供非侵入性和更准确的替代方案.

研究的目的:

• 开发和评估一个用于预测ESCC入侵深度的深度学习模型.
• 使用成像数据区分早期 (T1-T2) 和高级 (T3-T4) ESCC 阶段.
• 提高ESCC分期和治疗规划的准确性.

主要方法:

• 开发ResoLSTM-Depth模型,集成ResNet-18和长短期内存 (LSTM) 网络.
• 利用ESCC患者的动脉相 CT 扫描来进行模型培训和验证.
• 经验丰富的放射科医生对数据集进行细分,以确保数据质量.

主要成果:

• 该ResoLSTM-Depth模型实现了0.857的精度和0.901.90的AUC.
• 性能指标包括0.884的灵敏度和0.828.8的特异性.
• 该模型单独表现优于ResNet-18模型 (精度为0.824,AUC为0.879) 并通过注意力地图证明了可解释性.

结论:

• 作为预测ESCC入侵深度的工具,ResoLSTM-Depth显示出显著的希望.
• 该模型有可能提高ESCC分期的准确性.
• 这种人工智能驱动的方法可以为ESCC患者提供优化的治疗策略.