在多个中心使用放射学深度学习融合模型预测固体-主要是侵入性肺腺癌中的隐性淋巴结转移
Weiwei Tian1, Qinqin Yan2, Xinyu Huang3
1Academy for Engineering and Technology, Fudan University, No. 220 Handan Road, Shanghai, 200433, China.
概括
结合放射学和深度学习的新型融合模型准确地预测了固体主导入侵性肺腺癌 (SPILAC) 中隐性淋巴结转移. 这种人工智能驱动的方法有助于为SPILAC患者做出个性化治疗决定.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 无线电学和深度学习
背景情况:
- 隐性淋巴结转移 (OLNM) 对于固体主导入侵性肺腺癌 (SPILAC) 的治疗决策至关重要.
- 在SPILAC管理中,准确的OLNM手术前预测仍然是一个挑战.
研究的目的:
- 开发和验证一个新的融合模型,整合放射学和深度学习,用于在SPILAC中预测OLNM.
- 为了评估模型在多个中心的性能,以实现概括性.
主要方法:
- 六家医院的1325名SPILAC患者的回顾性分析.
- 开发放射学,深度学习 (ResNet,DenseNet,Swin变压器) 和融合模型.
- 使用接收器操作特征曲线 (AUC) 下面的面积进行性能评估.
主要成果:
- 融合模型将放射学与预训练的ResNet-18特征相结合,实现了最高的平均AUC (aAUC) 0.754.
- 这超过了独立的放射学模型 (aAUC=0.715) 和深度学习模型 (aAUC=0.676).
- 融合模型在验证和独立测试集中表现出卓越的预测性能.
结论:
- 开发的放射学深度学习融合模型显示了在SPILAC中预测OLNM的重大前景.
- 这种基于人工智能的方法有可能增强SPILAC患者个性化治疗策略.
- 该模型在多个中心的概括性支持其临床实用性.
