将脂肪组织纳入基于CT的深度学习名录,以区分颗粒瘤与肺腺癌

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在单独的肺结节中区分良性颗粒瘤与恶性肺腺癌是具有挑战性的.
• 准确的手术前分化对于适当的患者管理和避免不必要的侵入性手术至关重要.

研究的目的:

• 开发和验证基于计算机断层扫描 (CT) 的深度学习名谱,用于区分肺颗粒瘤和肺腺癌.
• 评估拟议的诺莫图的诊断性能和临床实用性.

主要方法:

• 这是一项追溯性研究,涉及三个机构的1,159名患有孤独肺结节的患者.
• 从手术前的CT扫描中提取深度学习特征.
• 使用后勤回归开发一个名图,其中包含 LASSO 回归识别的显著预测因子 (年龄,性别,内体和周体特征,脂肪特征).

主要成果:

• 深度学习名录集成年龄,性别,内和周 (IPN) 特征以及脂肪特征.
• 与单因素模型相比,名图显示出更高的诊断准确性.
• 通过决策曲线分析证实了令人满意的歧视,校准和相当大的临床有用性.

结论:

• 基于CT的深度学习名图有效地区分肺小粒瘤和腺癌.
• 诺米图提供了一个有价值的,非侵入性的工具,用于诊断孤独的肺结节的诊断工作.
• 这种方法有可能提高肺结节管理中的临床决策.