基于CT的超分辨率深度学习模型,具有预测固体或部分固体肺腺癌通过空气空间传播的注意力机制

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:

• 通过空气空间传播 (STAS) 是肺腺癌 (LUAD) 的侵入性模式.
• 在手术前确定STAS状态对于LUAD手术规划至关重要.
• 传统的深度学习模型在预测STAS时存在局限性.

研究的目的:

• 开发和评估一种新的深度学习模型,用于预测 LUAD 中的 STAS.
• 将SE-ResNet50模型的性能与标准ResNet50模型进行比较.
• 评估计算机断层扫描 (CT) 超分辨率与人工智能结合用于STAS预测的潜力.

主要方法:

• 一项回顾性研究,涉及两个医疗中心的602名LUAD患者.
• 图像使用超分辨率进行处理,以训练SE-ResNet50和ResNet50模型.
• 模型性能使用接收器操作特征曲线,曲线下的面积,精度,精度,灵敏度和特异性来评估.

主要成果:

• 与ResNet50.50相比,SE-ResNet50模型在培训,验证和外部测试队伍中实现了更高的性能指标.
• 在外部测试队列中,SE-ResNet50比ResNet50.50的准确性提高了10% (82.2%与72.2%)
• 对于SE-ResNet50的AUC值为0.933 (培训),0.783 (验证) 和0.806 (测试).

结论:

• 使用CT超分辨率的SE-ResNet50模型显示,在LUAD中预测STAS状态有很大的潜力.
• 这种人工智能驱动的方法与传统的深度学习方法相比,提供了更高的预测性能.
• 这些发现表明,它是一个有前途的工具,可以改善手术前评估和手术策略在LUAD患者.