三维深度学习模型补充了现有的模型,用于在局部清细胞细胞癌中预测手术前的无病生存期:一个多中心的回顾性队列研究
Yingjie Xv1, Zongjie Wei1, Qing Jiang2
1Department of Urology, The First Affiliated Hospital of Chongqing Medical University.
International journal of surgery (London, England)
|June 19, 2024
概括
使用CT扫描的新型深度学习 (DL) 模型准确地预测局部癌 (ccRCC) 的无疾病生存期 (DFS). 这种人工智能工具的性能优于现有模型,有助于更好的患者分层和治疗决策.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 细胞癌研究 细胞癌研究
背景情况:
- 目前局部癌 (ccRCC) 的预后模型的预测准确性有限.
- 准确的术前复发预测对于患者分层和优化治疗决策至关重要.
- 需要新的模型来改善局部ccRCC病例数量的增加的结果.
研究的目的:
- 开发和外部验证基于计算机断层扫描 (CT) 的深度学习 (DL) 模型,用于在手术前预测无疾病生存率 (DFS).
- 评估DL模型在局部ccRCC患者分层中的有效性.
- 将DL模型的性能与现有的放射学,临床和预后模型进行比较.
主要方法:
- 从六个医疗中心的局部ccRCC患者的回顾性招生.
- 从CT图像中利用3D瘤区域作为ResNet 50深度学习模型的输入.
- 开发了用于DFS预测的深度学习计算风险评分 (DLCR),并将其与放射学 (Rad-Score),临床,UISS和莱博维奇模型进行了比较.
主要成果:
- 与其他模型相比,DLCR模型在DFS预测方面表现优越,在外部测试组中达到0.754的C指数.
- DLCR有效地将患者分为低风险,中等风险和高风险组,在各种临床病理特征中表现出卓越的能力.
- 通过DLCR识别为高风险,但通过其他模型识别为低风险的患者的复发率明显较高,突出显示了DLCR的补充价值.
结论:
- 基于CT的深度学习模型为局部ccRCC提供了与放射学和当前模型相比更高的DFS预测准确度.
- DL模型提供了有价值的补充信息,提高了风险分层的精度.
- 这种人工智能驱动的方法可以支持更明智的临床决策,并指导采用辅助疗法.
