基于深度学习的检测-然后-跟踪管道用于免疫疗法治疗肝癌的治疗结果评估

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 对治疗结果的准确评估在肝癌临床试验中至关重要.
• 放射科医生在解释复杂腹部CT扫描中的主观性导致肝癌评估中的差异.
• 肝脏亚型成像表现的异质性使放射性评估复杂化.

研究的目的:

• 开发和验证基于深度学习的管道,用于自动检测肝病变和纵向跟踪.
• 提供客观可靠的RECIST (固体瘤响应评估标准) 肝癌治疗结果评估.
• 提高临床医生治疗决策的效率和准确性.

主要方法:

• 开发了一个基于深度学习的检测-然后-跟踪管道.
• 该管道是在28个中心的公共和内部数据集中的173名患者 (344个扫描) 上构建和验证的.
• 该系统在3DCT扫描中自动识别肝脏病变,并随着时间的推移跟踪它们.

主要成果:

• 该管道实现了高损伤检测性能,平均精度为0.806 (验证) 和0.726 (测试).
• 与临床医生相比,该模型的直径测量可靠性和一致性明显更高 (p=1.6×10−4).
• 损伤追踪精度达到85.7% (验证) 和90.8% (测试),其中RECIST精度分别为82.1%和81.4%.

结论:

• 开发的深度学习管道提供了对肝癌的精确和方便的RECIST结果评估.
• 该系统有可能帮助临床医生做出更有效,更明智的治疗决策.
• 对3DCT扫描的自动化分析可以克服临床试验中主观图像解释的局限性.