基于深度学习的自动管道系统,用于使用计算机断层扫描来预测乳头甲状腺癌患者的横向宫淋巴结转移:一项多中心研究
Pengyi Yu1,2,3,4, Cai Wang1,2,3,4,5, Haicheng Zhang6
1Department of Otorhinolaryngology, Head and Neck Surgery, Yantai Yuhuangding Hospital, Qingdao University, Yantai 264000, China.
Chinese journal of cancer research = Chung-kuo yen cheng yen chiu
|November 14, 2024
概括
深度学习管道系统 (DLAPS) 准确地使用CT扫描诊断乳头甲状腺癌 (PTC) 中的横向淋巴结转移. 这种人工智能工具提高了诊断准确度,减少了不必要的手术,显示出强大的临床适用性.
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:
- 乳头甲状腺癌 (PTC) 诊断需要对侧侧淋巴结转移 (LLNM) 的准确评估.
- 目前的诊断方法可能是侵入性的或缺乏精度,影响治疗决策.
研究的目的:
- 开发和评估基于深度学习的自动管道系统 (DLAPS),用于使用计算机断层扫描 (CT) 在PTC中进行非侵入性LLNM诊断.
- 根据现有的临床模型和放射科医生的表现,评估DLAPS的性能.
主要方法:
- 使用RefineNet进行自动细分和组合模型 (ResNet,Xception,DenseNet) 进行分类,创建了一个DLAPS.
- 该系统在519名PTC患者的1,266个侧淋巴结 (LLNs) 上经过多个测试集的训练和验证.
- 性能与手动细分DL模型,临床模型,Node-RADS和放射科医生的性能进行了比较,并对RNA测序进行了生物学洞察.
主要成果:
- DLAPS实现了高诊断性能,AUC为0.872 (内部),0.910 (外部) 和0.822 (前性) 的测试集.
- 它的表现明显优于临床模型 (AUC 0.731) 和节点-RADS (AUC 0.602).
- 这种DLAPS辅助的策略提高了放射科医生的准确性,从33.33%降低了不必要的剖析率到7.32%,并显示了与细胞-细胞结合的关联.
结论:
- 在PTC患者中,DLAPS有效地从CT图像中对LLN进行非侵入性细分和分类.
- 该系统表现出良好的概括能力和显著的临床适用性.
- DLAPS为改善PTC中LLNM评估提供了一个有希望的工具,有助于临床决策和减少过度治疗.
