肺道 (LungPath):人工智能驱动的组织学模式识别,以改善早期侵袭性肺腺癌的诊断
Haoda Huang1,2,3,4, Zeping Yan2,3, Bingliang Li2
1Nanfang Hospital, Southern Medical University, Guangzhou, China.
Translational lung cancer research
|September 12, 2024
概括
一个新的深度学习算法,LungPath,使用CT扫描准确地预测早期肺腺癌的高风险组织学模式. 该工具通过区分高风险和低风险模式,帮助进行手术规划,改善患者的治疗结果.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 早期侵袭性肺腺癌 (ADC) 具有微毛囊或固体模式,在亚叶切除后具有很高的复发风险.
- 精确的组织学亚型的术前确定对于选择分叶切除和分叶切除之间至关重要.
研究的目的:
- 开发一种深度学习算法,用于肺结节的自动细分.
- 评估该算法在使用CT扫描的早期侵入性ADC中区分高风险和低风险组织学模式的临床能力.
主要方法:
- 利用T1阶段侵袭性ADC患者的两个回顾性队列 (发展和外部测试).
- 修改的面具基于区域的卷积神经网络 (Mask-RCNN) 用于细分,并使用3D残余网络50 (ResNet50) 用于分类.
- 将患者分为两层,分为高风险组 (微毛囊成分≥5%或主导的固体模式) 和低风险组.
主要成果:
- 自动细分模型与手动细分模型有很高的一致性 (Dice系数0.86在第1队列,0.84在第2队列).
- 深度学习模型在第1组和第2组的AUC为0.89和0.87,用于区分高风险和低风险组.
- 该算法显示平均诊断时间为16.00±3.2秒,准确度为0.82.
结论:
- 开发了LungPath,这是一种深度学习算法,用于在早期的肺部ADC中进行自动细分和组织学模式预测.
- LungPath有效地区分高风险和低风险的组织学模式,有助于手术前风险分层.
- 该算法显示了改善早期肺部ADC手术决策和患者管理的巨大潜力.
