在非小细胞肺癌中预测淋巴血管入侵,使用在手术前胸部CT上深度卷积神经网络
Jian Wang1, Yang Yang2, Zongyu Xie2
1Department of Radiology, The First Affiliated Hospital of Zhejiang Chinese Medical University (Zhejiang Provincial Hospital of Chinese Medicine), Hangzhou, Zhejiang, China; Department of Radiology, Tongde Hospital of Zhejiang Province, Hangzhou, Zhejiang, China.
Academic radiology
|June 7, 2024
概括
深度学习模型使用CT扫描准确地预测非小细胞肺癌 (NSCLC) 中的淋巴血管入侵 (LVI). 这种非侵入性方法有助于精确规划NSCLC患者的治疗.
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:
- 淋巴血管入侵 (LVI) 对非小细胞肺癌 (NSCLC) 治疗决策至关重要.
- 准确的LVI预测对于个性化治疗策略至关重要.
研究的目的:
- 开发和评估一种用于预测NSCLC中LVI的非侵入性模型.
- 将手术前CT成像与深度学习结合起来,用于LVI诊断.
主要方法:
- 对3034名经过手术切除的NSCLC患者进行了回顾性研究.
- 使用2D/3DCT特征和临床数据开发四个深度卷积神经网络 (DCNN) 模型.
- 模型性能使用AUC值和混矩阵进行评估,并使用Delong测试进行比较.
主要成果:
- 双头Res2Net_3D23F模型在验证队列中达到0.869的最高AUC.
- 其他DCNN模型,包括EfficientNet-B0_2D,显示了可比的预测性能.
- 在某些3D和2D DCNN模型之间没有发现显著的性能差异.
结论:
- 深层卷积神经网络为预测NSCLC患者病理性LVI提供了一种可行的方法.
- 这种人工智能驱动的方法有可能改善非侵入性LVI诊断.
- 该研究强调了将深度学习与CT成像集成为NSCLC管理的实用性.
