基于CT成像的深度学习模型的开发和验证,以预测基于CT成像的胃癌复发:一个多中心研究
Mengxuan Cao1,2,3, Can Hu1,2,3, Feng Li4
1Department of Gastric Surgery, Zhejiang Cancer Hospital, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Hangzhou, Zhejiang.
International journal of surgery (London, England)
|June 19, 2024
概括
一个新的深度学习融合签名 (DLFS) 准确地预测了手术后胃癌复发. 这种人工智能驱动的模型改善了风险分层,为患者提供了潜在的预后工具.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 手术后复发显著影响胃癌 (GC) 患者的预后.
- 准确预测GC复发对于患者管理至关重要.
研究的目的:
- 开发和验证一种新的深度学习模型,用于预测胃癌患者的术后复发.
- 与现有的临床模型相比,评估深度学习融合签名 (DLFS) 的性能.
主要方法:
- 对2813名经过彻底手术的胃癌患者进行了回顾性分析.
- 开发使用预处理CT图像的深度学习签名 (DLS) 和将DLS与临床特征集成的深度学习融合签名 (DLFS).
- 验证DLFS模型的预测性能,校准和在培训,内部和外部队列中的临床实用性.
主要成果:
- DLFS在验证集中表现出极好的预测性能,AUC从0.833到0.859不等.
- DLFS模型显著超过了传统的临床模型和单独的DLS.
- 通过DLFS识别的高风险患者的预后明显较差.
结论:
- 开发的DLFS是一个强大而准确的工具,用于识别高风险的胃癌患者进行术后复发.
- 在胃癌管理中,DLFS显示出作为一种有价值的预后因素的潜力.
- 这种综合模型有助于对GC患者进行个性化风险评估.
更多相关视频
10:28Gene Regulation and Targeted Therapy in Gastric Cancer Peritoneal Metastasis: Radiological Findings from Dual Energy CT and PET/CT
Published on: January 22, 2018
11.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K