一种深度学习方法,用于预测cT1肺腺癌中的内脏膜入侵
Shijiancong Liu1, Huili Li1, Xujie Xiao1,2
1Department of Thoracic Surgery, the Fifth Affiliated Hospital of Sun Yat-sen University, Sun Yat-sen University, Zhuhai, China.
Journal of thoracic disease
|October 24, 2024
概括
这项研究开发了一种深度学习模型,用于预测早期非小细胞肺癌的内脏性多叶膜入侵 (VPI),从而改善肺结节的手术决策. 该模型有助于准确预测和治疗计划的肺腺癌患者.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 胸部外科手术 胸部外科手术
背景情况:
- 亚叶切除是cT1非小细胞肺癌 (<2厘米) 的标准.
- 肺结节中的内脏膜入侵 (VPI) 是复发和预后较差的关键因素.
- 目前的方法缺乏有效的手术前或手术内VPI预测.
研究的目的:
- 开发用于非侵入性VPI预测的机器学习模型.
- 支持对具有潜在VPI的肺结节进行手术决策.
- 改善cT1肺腺癌的预后评估和治疗方法.
主要方法:
- 利用了来自983名患者的2D,2.5D和3DCT成像数据.
- 开发了放射学和深度学习模型来预测VPI状态.
- 使用ROC曲线和用于风险分层的Youden指数来比较预测准确度.
主要成果:
- 深度学习模型,特别是2D-rect模型,显示出比放射性模型更好的预测性能.
- 只有3D-ROI模型的AUC最高 (0.952),但预测性能较差.
- 深度学习模型有效地预测了肺结节中的VPI状态.
结论:
- 深度学习特征准确地预测了cT1阶段肺腺癌中的VPI.
- 这种计算模型增强了预后分层,并完善了治疗策略.
- 非侵入性VPI预测支持肺癌的优化手术和治疗计划.
更多相关视频
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.1K
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.4K
