基于计算机断层扫描的3D卷积神经网络深度学习模型,用于预测侵袭性肺腺癌的微毛囊或固体生长模式

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 侵入性肺腺癌 (ILADC) 是癌症死亡的主要原因.
• 准确预测生长模式,如微毛囊或固体 (M / S),对于ILADC的治疗和预后至关重要.
• 目前用于确定生长模式的方法通常需要侵入性程序.

研究的目的:

• 评估基于计算机断层扫描 (CT) 的深度学习 (DL) 模型在预测 ILADC 的 M/S 增长模式方面的有效性.
• 评估模型在非侵入性地区分ILADC亚型方面的表现.

主要方法:

• 使用自动学习 (SPL) 3D Net架构开发了两个DL模型,用于从617名ILADC患者 (培训/内部验证) 和353名外部验证患者的手术前CT扫描.
• 模型1预测了所有ILADC病例中的M/S模式,而模型2专注于直径≤2厘米的ILADC.
• 使用包括AUC,准确性,回忆,精度和F1分数在内的指标来评估性能.

主要成果:

• 模型1在外部验证集中实现了0.857的AUC和0.805的准确性.
• 模型2在外部验证集中表现出强的性能,AUC为0.831,准确度为0.792.
• SPL 3D Net 模型的性能优于其他DL架构,如ResNet和DenseNet.

结论:

• 基于CT的DL模型可以可靠地预测ILADC中的M/S生长模式.
• 这个AI工具提供了一种非侵入性的方法来检测和区分ILADC亚型.
• 该模型即使在小型ILADC瘤中也有效,有助于早期诊断和治疗规划.