使用临床参数和使用MRI数据的深度学习来预测可手术的宫癌中淋巴结转移的发生:一项多中心研究

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:

• 淋巴结转移 (LNM) 显著影响宫癌的预后和治疗计划.
• 准确的手术前预测LNM对于优化患者管理至关重要.
• 目前的预测方法在诊断效率方面存在局限性.

研究的目的:

• 开发和验证基于磁共振成像 (MRI) 的深度多重实例学习 (D-MIL) 模型.
• 将D-MIL模型与临床参数相结合,以提高在可手术的宫癌中进行手术前LNM预测.
• 评估模型预测无疾病生存率 (DFS) 的能力.

主要方法:

• 对392名宫癌患者的回顾性分析.
• 使用后勤回归的临床模型 (M1) 的开发.
• 使用ResNet50进行特征提取,构建D-MIL模型 (M2).
• 创建一个混合模型 (M3),结合M1和M2分数.
• 使用接收器运行特征曲线 (AUC) 下面的面积和使用卡普兰-梅尔方法的生存分析来评估诊断性能.

主要成果:

• 临床参数如SCC-Ag,最大淋巴结直径 (LNmax) 和瘤体积是M1.的独立预测因素.
• 与M1和M2相比,混合模型 (M3) 在训练,内部和外部队列 (AUC:0.838/0.764/0.835) 中表现出优异的诊断性能.
• 较高的混合模型得分与较短的无病生存时间相关.

结论:

• 拟议的基于MRI的混合深度学习模型提供了一个个性化的,非侵入性的工具,用于预测可手术的宫癌中的LNM.
• 混合模型在LNM预测方面表现出最高的诊断效率.
• 混合模型的得分作为预测宫癌患者无病生存的有价值指标.