自动细分的围脂肪组织的增量值用于清细胞细胞癌的病理分类:一个多中心队列研究
Shichao Li1, Ziling Zhou1, Mengmeng Gao1
1Department of Radiology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology.
International journal of surgery (London, England)
|April 4, 2024
概括
这项研究开发了一种深度学习模型,使用CT扫描来预测清细胞细胞癌 (ccRCC) 级别. 该模型通过分析瘤和周围脂肪组织的放射性特征来准确预测病理级别.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确的病理分类清细胞细胞癌 (ccRCC) 对于治疗计划至关重要.
- 目前的分级方法可能是主观的,耗时的.
- 先进的成像技术和机器学习为改善手术前评估提供了潜力.
研究的目的:
- 从CT图像开发和验证一种深度学习算法,用于从CT图像中自动细分脏瘤,脏和周脂肪组织 (PRAT).
- 从细分区域提取放射学特征,以预测ccRCC的病理级别.
- 评估PRAT特征在预测ccRCC等级中的增量值.
主要方法:
- 一项回顾性研究,涉及614名CT图像患者.
- 基于TransUNet的深度学习模型被训练用于瘤,脏和内脏脂肪组织 (VAT) 的细分.
- 使用扩展算法提取PRAT;使用LASSO回归选择放射学特征,并开发支持矢量机 (SVM) 模型进行分级.
主要成果:
- 深度学习模型实现了高细分精度 (瘤的迪斯系数为0.836,增值税为0.967).
- 使用瘤,脏和PRAT特征的综合放射学模型显示,与单独瘤特征 (AUC 0.760) 相比,瘤,脏和PRAT特征的综合放射学模型显示出更高的性能 (AUC 0.814).
- 在预测ccRCC病理等级方面,PRAT特征显示出增量意义.
结论:
- 使用TransUNet和图像处理的结构和PRAT的自动细分提供了一种可重复的方法.
- 通过机器学习分析的PRAT和瘤病变的放射学特征,可以准确预测ccRCC的病理级别.
- 该研究强调了PRAT在提高ccRCC病理分类预测准确度方面的重要性.
