一种使用深度学习放射学和临床数据的先进的诺米克模型,用于预测肺腺癌中隐性淋巴结转移的肺腺癌
Guanchao Ye1, Chi Zhang1, Yuzhou Zhuang2
1Department of Thoracic Surgery, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Translational oncology
|March 30, 2024
概括
一个深度学习的放射学名图有效地预测了早期肺腺癌中隐性淋巴结转移. 这种人工智能驱动的工具有助于非侵入性淋巴结分期和个性化治疗策略.
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:
- 精确的淋巴结分期对于肺腺癌治疗至关重要.
- 隐性淋巴结转移 (OLNM) 在临床阶段IA疾病中构成了挑战.
- 需要使用非侵入性方法来改善淋巴结分期.
研究的目的:
- 评估一个深度学习的放射学名图,以区分临床阶段IA肺腺癌中的OLNM.
- 评估纳米图集临床,放射学和深度转移学习 (DTL) 功能的预测性能.
主要方法:
- 分析了473个肺腺癌的队列.
- 从CT图像中提取了放射和DTL特征.
- 一个物流回归模型和一个名ogram被开发和验证.
主要成果:
- 纳米图实现了高AUC值 (在测试队列中为0.898).
- 在预测OLNM方面,名图表表现优于临床模型.
- 高的诺莫图谱得分与瘤扩散和免疫透途径相关.
结论:
- 开发的名图表显示了对非侵入性OLNM预测的有希望的性能.
- 这种基于人工智能的方法可以帮助淋巴结分期和肺腺癌的个性化治疗.
