放射学和深度学习用于皮皮性甲状腺癌中大体积淋巴结转移的放射学和深度学习
Zhongkai Ni1, Tianhan Zhou1, Hao Fang2
1Department of General Surgery, Hangzhou Hospital of Traditional Chinese Medicine, Hangzhou, China.
Gland surgery
|October 18, 2024
概括
这项研究开发了一种结合放射学和深度学习模型,用于在手术前预测甲状腺癌患者的大容量淋巴结转移. 综合模型对指导个性化治疗策略有前景.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 甲状腺癌经常涉及早期淋巴结转移 (LNM).
- 大量的LNM (LVLNM) 与较差的患者预后有关.
- 准确的手术前预测LVLNM对于治疗规划至关重要.
研究的目的:
- 开发和验证乳头甲状腺癌 (PTC) 患者LVLNM的预测模型.
- 整合放射学和深度学习 (DL) 功能,以提高预测准确度.
- 在内部和外部验证数据集中评估模型的性能.
主要方法:
- 一项针对854名PTC患者的多中心回顾性研究.
- 提取了1357个放射学特征,并应用了各种机器学习算法 (LR,SVM,KNN,MLP,RF,ExtraTrees,XGBoost,LightGBM).
- 使用AlexNet,DenseNet121,inception_v3,ResNet50和变压器架构开发DL模型.
- 创建一个结合放射学-DL模型 (Thy-DL-Radiomics) 和使用AUC,ACC,SEN,SPE,PPV,NPV和F1得分进行评估.
主要成果:
- ExtraTrees放射学模型的AUC达到0.787;DenseNet121 DL模型的AUC达到0.766.
- 结合的Thy-DL-Radiomics模型表现出卓越的性能,AUC为0.839 (内部验证) 和0.789 (外部验证).
- 拉索确定了用于模型优化的关键放射学和代谢物特征.
结论:
- 一个集成的放射学和深度学习模型有效地预测PTC患者的LVLNM.
- 这种预测能力可以为甲状腺癌的个性化治疗策略提供信息.
- Thy-DL-Radiomics模型为手术前风险分层提供了一个有前途的工具.
