多模式深度学习放射学模型用于预测固体I期非小细胞肺癌的术后进展
Qionglian Kuang1, Bao Feng2, Kuncai Xu2
1Department of Radiology, Hainan General Hospital, 19#, Xiuhua Road, Xiuying District, Haikou, Hainan Province, 570311, PR China.
概括
一个新的多式深度学习放射学 (MDLR) 模型有效地预测了早期非小细胞肺癌 (NSCLC) 的术后进展风险. 这种人工智能驱动的方法有助于为NSCLC患者提供个性化治疗和后续策略.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 早期非小细胞肺癌 (NSCLC) 需要准确预测术后进展.
- 当前的预测方法可能无法完全捕捉复杂的预后因素.
研究的目的:
- 评估多式深度学习放射学 (MDLR) 模型在预测固体I期NSCLC中术后进展风险方面的实用性.
- 将MDLR模型的性能与临床和深度学习签名 (DLS) 模型进行比较.
主要方法:
- 对459名I期NSCLC患者的回顾性分析,对104名患者进行外部验证.
- 使用显著的临床病理学和CT发现开发临床模型.
- 使用ResNet18和极端学习机器 (ELM) 构建一个深度学习签名 (DLS).
- 将临床数据,CT发现和DLS整合到MDLR模型中.
主要成果:
- 进展的重要预测因素包括大小,神经元特异性酶 (NSE),碳水化合物抗原19-9 (CA199) 和病理阶段.
- MDLR模型实现了0.885的曲线下的优越面积 (AUC),超过了临床模型 (0.675) 和DLS模型 (0.882).
- 该MDLR模型展示了最高的预测准确性和临床实用性.
结论:
- 该MDLR模型是有效的预测后手术进展在固体I期NSCLC.
- 这种基于人工智能的方法为NSCLC管理中的治疗计划和患者随访提供了宝贵的支持.
