软件辅助的结构化报告和半自动化的TNM分类用于NSCLC在多中心概念验证研究中的分期

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗信息学 医疗信息学

背景情况:

• 结构化报告 (SR) 和TNM分类对于非小细胞肺癌 (NSCLC) 的分期至关重要,但未得到充分利用.
• 参与机构目前的报告标准需要进行评估和改进.

研究的目的:

• 为NSCLC提出和验证一个结构化报告 (SR) 框架.
• 开发和评估一个软件辅助工具,从基于图像的发现进行自动TNM分类.
• 评估NSCLC的潜在临床影响和当前报告标准.

主要方法:

• 一个多中心的合作开发了一个SR框架NSCLC分期.
• 创建了一个软件工具,从SR注释中生成半自动化的TNM分类.
• 九位放射科医生对20个[18F]FDG PET/CT研究的SR和TNM工具进行了评估,将其与自由文本报告 (FTR) 和多学科团队参考进行了比较.

主要成果:

• 使用SR的读者正确分类TNM状态的可能性是使用FTR的1.707倍 (p=0.01).
• 总体TNM正确性改善到SR的71.9%,与FTR的62.8%相比.
• 案例复杂性是影响分类准确性的主要因素;参与者发现SR和半自动TNM分类有价值.

结论:

• 为NSCLC开发并验证了一种有效的软件辅助SR框架.
• 该SR框架和半自动TNM分类工具的准确性有所提高,被放射科医生积极看待.
• 软件辅助的SR为改善NSCLC的瘤评估和分期准确性提供了一个有希望的策略.