基于CT的AI预后模型对非小细胞肺癌细分切除术的临床实用性
Kwon Joong Na1, Young Tae Kim1, Jin Mo Goo1
1From the Department of Thoracic and Cardiovascular Surgery (K.J.N., Y.T.K.) and Department of Radiology (J.M.G., H.K.), Seoul National University Hospital and College of Medicine, 101 Daehak-ro, Jongno-gu, Seoul 03080, Korea; Seoul National University Cancer Research Institute, Seoul National University College of Medicine, Seoul, Korea (K.J.N., Y.T.K., J.M.G.); and Institute of Radiation Medicine, Seoul National University Medical Research Center, Seoul, Korea (J.M.G.).
使用CT扫描的新型深度学习模型可以识别患有非小细胞肺癌 (NSCLC) 的高风险患者进行细分切除. 与现有标准相比,该工具改善了风险分层.
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:
- 准确的风险分层对于为非小细胞肺癌 (NSCLC) 进行细分切除术的患者至关重要.
- 目前,还没有专门的工具来对这个患者群体进行风险分层.
研究的目的:
- 开发和验证深度学习 (DL) 预测模型,用于风险分层.
- 该模型利用了手术前的CT扫描,临床和放射信息.
- 它专注于临床阶段IANSCLC的患者进行细分切除术.
主要方法:
- 一个回顾性研究,使用预训练DL模型的转移学习.
- 该模型在经历了带切除术的患者上进行了训练,并在经历了细分切除术的独立组患者上进行了测试.
- 用AUC,灵敏度和特异性来评估预后性表现,以免复发 (FFR) 和生存结果.
主要成果:
- DL模型在2年FFR预测方面表现强 (AUC:0.86).
- 它实现了高灵敏度 (87.4%) 和中等特异性 (66.7%) 的FFR.
- 与日本临床瘤学小组 (JCOG) 的标准相比,该模型对FFR的敏感性明显更高.
结论:
- 基于CT的DL模型可以有效地识别临床阶段IANSCLC进行细分切除的高风险患者.
- 开发的模型在风险分层方面表现优于当前的JCOG标准.
- 这种工具有可能指导肺癌患者的治疗决策.
更多相关视频
11:31Using Micro-computed Tomography for the Assessment of Tumor Development and Follow-up of Response to Treatment in a Mouse Model of Lung Cancer
Published on: May 20, 2016
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018