结合深度学习和放射学的综合性诺米图,用于预测CT衍生结节和脂肪组织的肺结节恶性病:多中心研究:多中心研究
Shidi Miao1, Qifan Xuan1, Hanbing Xie2
1School of Computer Science and Technology, Harbin University of Science and Technology, Harbin, China.
Cancer medicine
|November 4, 2024
概括
一种新的深度学习放射学临床名录 (DLRCN) 准确预测肺结节恶性瘤. 整合脂肪组织放射学显著改善了诊断性能,有助于临床决策和减少不必要的程序.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 区分良性和恶性肺结节对于防止不必要的侵入性手术至关重要.
- 目前的诊断方法需要改进,以获得更高的准确性.
研究的目的:
- 开发和验证一个深度学习放射学临床名录 (DLRCN) 用于预测肺结节恶性瘤.
- 评估脂肪组织放射学特征在恶性瘤预测中的附加值.
主要方法:
- 通过使用脂肪组织的放射学特征,结节的深度学习特征以及来自1098名患者的临床数据来构建DLRCN.
- 使用最少绝对收缩和选择操作员 (LASSO) 进行了特征选择.
- 用校准曲线,曲线下的面积 (AUC) 和决策曲线分析 (DCA) 评估模型性能,并与放射科医生评估进行比较.
主要成果:
- 在内部和外部测试队列中,DLRCN在内部和外部测试队列中实现了高AUC (0.946-0.962).
- 脂肪组织的放射性特征显著改善了诊断性能 (NRI=1.028,IDI=0.137).
- 与放射科医生相比,DLRCN表现出良好的校准,临床实用性和更高的灵敏度.
结论:
- DLRCN是预测肺结节恶性病的强大工具,其性能与专家放射科医生相美.
- 脂肪组织放射特征显著提高DLRCN的预测能力,提供额外的诊断价值.
