深度学习基于放射学的预测模型,用于逆肌肉肉肉瘤的治愈切除术后的超时远程转移:双中心研究

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:

• 超慢性远程转移 (MDM) 在手术后的逆肌肉肉瘤 (RLS) 患者中是一个重大问题.
• 将放射学和深度学习结合在一起,对预测瘤预后有很大的前景.
• 之前没有任何研究评估了这种结合方法用于RLS中MDM预测.

研究的目的:

• 开发和验证基于手术前对比增强计算机断层扫描 (CECT) 的深度学习放射学模型,用于预测RLS中MDM.
• 评估模型的性能与传统的放射学和临床预测因素相比.

主要方法:

• 对来自两个中心的179名RLS患者的回顾性分析.
• 从CECT图像中提取深度学习 (语义细分) 和传统放射学特征.
• 开发一个放射学签名 (RS),深度学习放射学签名 (DLRS) 和深度学习放射学名ogram (DLRN).

主要成果:

• 与RS,DLRS和临床模型相比,DLRN的预测性能优于RS,DLRS和临床模型 (AUC:0.822与0.733,0.786,0.511).
• 决策曲线分析表明,在风险分层方面,DLRN的净收益更大.
• DLRN表现出良好的校准,证实了其可靠的性能.

结论:

• 基于CECT的DLRN是一种有前途的工具,用于在RLS患者手术前预测MDM风险.
• DLRN的性能优于其他模型,可以为预测外科疗效和个性化治疗计划提供信息.