基于深度学习的肺部侵入性腺癌的病理亚型的表征,使用F-脱氧葡萄糖正子发射断层扫描成像

科学领域:

• 放射学和成像学 放射学和成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 侵袭性肺腺癌 (LA) 包括各种病理亚型,每个都有不同的临床行为和治疗影响.
• 准确区分这些亚型对于个性化治疗策略和改善患者治疗结果至关重要.
• 目前的诊断方法可能在准确区分这些异质亚型方面存在局限性.

研究的目的:

• 评估深度学习 (DL) 模型的诊断性能,以区分侵袭性肺腺癌的病理亚型.
• 为了比较DL模型与使用PET/CT成像手动诊断方法的疗效.
• 评估DL在预测侵袭性肺腺癌中的特定疾病亚组方面的潜力.

主要方法:

• 对250名患有侵袭性肺癌的患者的PET/CT图像进行了回顾性分析.
• 使用U-Net进行细分和ResNet进行分类的特征提取,包括无声化和数据增强.
• 使用 6:2:2 数据分割进行DL模型的训练和验证;与手工构建的诊断模型进行比较.

主要成果:

• 与手动模型相比,DL模型在所有亚型中实现了优异的诊断性能 (例如,LPA的AUC:0.900,准确率:0.920) (例如,LPA的AUC:0.849,准确率:0.904).
• 在两种模型中的四个亚型中,在成像性能中观察到具有统计学意义的差异 (P <0.05).
• 德隆测试证实DL模型的诊断能力明显更好 (P<0.05) 超过手动方法.

结论:

• 通过PET/CT成像,DL模型在区分侵袭性肺腺癌亚型方面表现出高的诊断效果.
• 这项研究强调了DL技术在准确识别和预测肺癌亚组方面的巨大潜力.
• 基于DL的成像分析为提高肺腺癌管理中的精确瘤学提供了一个有希望的途径.