一种基于视觉变压器的深度转移学习诺莫格拉姆,用于预测肺腺癌中的淋巴结转移
Chuanyu Chen1, Yi Luo1, Qiuyang Hou1
1Department of Radiology, The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, Anhui, China.
Medical physics
|September 28, 2024
概括
使用视觉转换器的新型深度转移学习名ogram准确地预测肺腺癌患者的淋巴结转移. 该工具通过提高胸部CT扫描的诊断准确度,帮助临床医生规划治疗.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
背景情况:
- 淋巴结转移 (LNM) 在肺癌管理中至关重要,但胸部计算机断层扫描 (CT) 在检测它方面存在局限性.
- 准确的LNM状态预测对于肺腺癌的有效治疗策略至关重要.
研究的目的:
- 开发和验证基于视觉转换器 (ViT) 的深度转移学习名录 (DTLN) 以预测肺腺癌中的LNM.
- 评估基于ViT的DTLN的预测性能,使用手术前非增强型胸部CT成像.
主要方法:
- 一组528名肺腺癌患者被分为训练 (70%) 和验证 (30%) 组.
- 一个预训练的ViT模型提取了深度转移学习特征,一个后勤回归模型构建了一个基于ViT的DTL模型.
- 通过将DTL签名与临床预测指标 (瘤大小,位置,密度) 集成,开发了一个基于ViT的DTLN.
主要成果:
- 基于ViT的DTL模型实现了0.821 (培训) 和0.825 (验证) 的AUC,与经典的CNN模型相比.
- DTLN表现出优异的预测性能,AUC为0.865 (训练) 和0.894 (验证).
- DTLN显著优于临床因子模型和基于ViT的DTL模型 (p < 0.001).
结论:
- 基于ViT的DTL模型对预测肺腺癌中的LNM有效,显示了医疗图像深度学习任务的可行性.
- 开发的基于ViT的DTLN提供了卓越的预测性能,帮助临床医生和放射科医生准确诊断和治疗规划.
