基于CT成像的三维和二维深度学习,放射学和融合模型的比较,用于预测基于CT成像的喉状细胞癌的隐性淋巴结转移:一个多中心,回顾性,诊断研究

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:

• 在喉平细胞癌 (LSCC) 中隐性淋巴结转移 (LNM) 显著影响患者的预后和治疗决策.
• 在临床结节阴性 (cN0) LSCC患者中准确预测LNM对于适当的管理至关重要.

研究的目的:

• 为了比较3D深度学习 (DL),2D DL,放射学和融合模型在LSCC中隐秘LNM的预测性能.
• 评估一种基于决策的新型聚变模型 (DLRad_DB),集成多种数据类型用于LNM预测.

主要方法:

• 这是一项对来自四个中心的553名cN0 LSCC患者的回顾性研究.
• 使用CT图像开发3DDL,2DDL和放射学模型.
• 建立临床和融合模型 (基于特征的DLRad_FB和基于决策的DLRad_DB).
• 基于病理诊断的性能评估,使用AUC,灵敏度和特异性等指标.

主要成果:

• 与2D DL和放射学相比,3D DL特征显示出更高的辨别能力.
• 在所有集合中,DLRad_DB融合模型实现了最高的AUC (0.89-0.90),显著超过临床模型 (AUC 0.73-0.78).
• 在测试组中,DLRad_DB还显示出最好的灵敏度 (82-88%) 和特异性 (79-85%).

结论:

• 基于决策的融合模型 (DLRad_DB),集成3D DL,2D DL,放射学和临床数据,是预测LSCC隐性LNM的高效工具.
• 这种预测能力有可能优化治疗策略,最大限度地减少cN0 LSCC患者不必要的淋巴结解剖和预防性放射治疗.