基于多参数MRI的2.5D深度学习,以区分脑转移患者的原发性肺癌病理亚型
Jinling Zhu1, Li Zou2, Xin Xie1
1Department Of Radiology, The Second Affiliated Hospital of Soochow University, Suzhou, 215004, China.
European journal of radiology
|September 2, 2024
概括
一个新的2.5D深度学习模型有效地区分肺癌脑转移亚型. 这种方法对改善神经瘤学诊断和患者护理具有前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 大脑转移 (BMs) 是癌症的一种严重并发症,在区分肺癌 (LC) 亚型时带来诊断挑战.
- 2.5维 (2.5D) 深度学习 (DL) 的有效性,用于将LC与BM分类,仍未得到充分研究.
研究的目的:
- 评估2.5D深度学习模型的实用性,以区分肺癌脑转移的病理亚型.
- 在此分类任务中,将2.5D DL模型与2D DL模型的性能进行比较.
主要方法:
- 一项回顾性研究包括250名患者,数据分为训练 (N=175) 和测试 (N=75) 组.
- 通过组装相邻的2D图像切片,创建了一个2.5D数据集. 采用了多级别学习 (MIL) 和深度学习 (ResNet101) 功能.
- 分类模型 (2.5D DL,2D DL) 使用支向量机和五倍交叉验证进行了评估,准确性和AUC作为指标.
主要成果:
- 2.5D DL模型在测试队列中实现了优异的性能,微AUC为0.868和准确度为0.836.
- 2D DL 模型实现了微AUC 0.836 和准确度 0.827,表明诊断性能略低.
结论:
- 开发的2.5D深度学习模型是一个可行的和有效的工具,用于识别肺癌脑转移的病理亚型.
- 这种方法有可能提高诊断肺癌脑转移的准确性和效率.
