使用深度学习进行术前肺切除预测

科学领域:

• * 医学成像和人工智能
• * 瘤学和最少侵入性手术
• *医学中的计算建模.

背景情况:

• * 微波肺切除术 (MWA) 提供了一种最小侵入性,具有成本效益的癌症治疗选择.
• *MWA高瘤复发率与不准确的计划导致的不完整治疗有关.
• * 目前用于估计除程度的工具缺乏可靠性,阻碍有效治疗.

研究的目的:

• * 引入一种针对患者的深度学习模型,用于预测MWA废除区域.
• *为了提高MWA程序的预处理计划的准确性.
• *为了提高MWA治疗的有效性,并减少瘤复发.

主要方法:

• *对113例肺切除术的回顾性研究 (01/2015-01/2019).
• *使用手术前的CT,除参数和应用器位置作为输入.
• * 开发了一个基于U-net的深度学习模型,具有可变形图像注册.

主要成果:

• *与供应商估计不同的是,该模型在预测废弃量方面没有偏差.
• * 达成较小的协议限度和子得分提高了11%.
• *成功考虑了患者特异性影响除区域的解剖学因素.

结论:

• * 一个针对患者的深度学习模型可以准确预测MWA治疗效果.
• * 这种人工智能驱动的方法有可能显著改善治疗计划.
• *该模型可以帮助实现完整的瘤切除并降低复发率.