预测直肠癌瘤芽分级基于MRI和CT与多式模式深度转移学习:一个双中心研究
Ziyan Liu1, Jianye Jia1, Fan Bai1
1Deparment of Medical Imaging Center, The Affiliated Huaian NO.1 People's Hospital of Nanjing Medical University, Huaian, Jiangsu, China.
Heliyon
|April 9, 2024
概括
一个新的多式联络深度学习模型准确地预测了直肠癌 (RC) 患者的瘤芽 (TB) 分级. 这种非侵入性方法有助于治疗选择和预后评估,以获得更好的患者结果.
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:
- 瘤芽 (TB) 是直肠癌 (RC) 的关键预后因素.
- 准确的结核病分类对于指导治疗决策和预测患者的结果至关重要.
- 目前用于结核病分级的方法可能在准确性和侵入性方面存在局限性.
研究的目的:
- 评估多模式深度学习模型的有效性,用于预测直肠癌 (RC) 患者的瘤芽 (TB) 分级.
- 将多式模式模型的性能与单式模式深度学习模型进行比较.
- 开发一个整体模型,将深度学习预测与临床风险因素结合起来.
主要方法:
- 来自两家医院的355名直肠腺癌患者的回顾性分析.
- 使用T1CE和CT增强图像的深度学习模型的开发和比较.
- 构建一个多式融合模型和一个整体模型,包括临床N分期和便隐性血液.
- 使用曲线下的面积 (AUC),德龙的测试,校准曲线和决策曲线分析 (DCA) 的性能评估.
主要成果:
- 多模式融合模型的表现优于单模式模型,AUC为0.869 (内部验证) 和0.848 (外部验证).
- 临床N分期和便隐性血液被确定为独立的危险因素.
- 最终的整体模型表现出最高的性能,AUC为0.898 (内部) 和0.868 (外部).
结论:
- 多模式深度学习模型提供有效的,非侵入性预测RC患者的结核病分级.
- 这些模型为个性化治疗选择和预后评估提供了宝贵的指导.
- 开发的整体模型显示了在RC管理中临床应用的巨大潜力.
