用CT深度学习模型从固体肺腺癌中分辨出带有球化和脊化迹象的颗粒状结节,使用CT深度学习模型

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:

• 从肺腺癌 (LADCs) 区分带有分片和分片的颗粒状结节 (GNs) 在临床实践中具有挑战性.
• 这些GN经常被误诊为恶性瘤,需要提高诊断准确性.

研究的目的:

• 开发和评估CT深度学习 (DL) 模型,以区分具有特定标志的GNs与固体LADC.
• 为了提高单个肺结节的手术前诊断准确度.

主要方法:

• 来自三个机构的420名病理确诊的GNs和LADC患者的回顾性分析.
• 使用非增强CT (NECT) 和静脉对比增强CT (VECT) 图像进行自我监督转移学习.
• 将DL模型的性能与放射科医生的诊断进行了比较.

主要成果:

• DL模型表现出高性能,在内部和外部验证集中,AUC值在0.876到0.917之间.
• 该模型的表现优于放射科医生,其AUC从0.739到0.901.90不等.

结论:

• 一个CT深度学习模型对于从固体LADC中分离GNs的手术前分化具有价值.
• 与人类放射科医生相比,DL模型表现出优越的预测性能.