通过计算机断层扫描和全肺分析预测免疫检查点与抑制剂相关的肺炎 深度学习
Ning Wang1,2, Zhifang Zhao3, Zhimei Duan4
1Medical School of Chinese PLA, Beijing, China.
Current medical imaging
|November 25, 2024
概括
使用CT扫描的新型深度学习模型可以预测免疫检查点抑制剂相关肺炎 (ICI-P) 的风险. 该工具通过早期识别高风险患者,有助于个性化免疫疗法规划.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 免疫检查点抑制剂相关肺炎 (ICI-P) 是免疫疗法的危及生命的不良事件.
- 目前用于识别ICI-P高风险患者的方法不足.
研究的目的:
- 开发一种深度学习 (DL) 模型,使用计算机断层扫描 (CT) 图像预测个性化的ICI-P风险.
- 通过识别有风险的患者,协助个性化免疫疗法规划.
主要方法:
- 开发了一种结合DenseNet和FPN的全肺分析DL模型,以从CT图像中挖掘全球肺部信息.
- 该模型是完全自动化的,不需要手动图像注释.
- 157名患者被分为训练和测试组进行评估.
主要成果:
- DL模型在测试组中实现了0.780的曲线下面面积 (AUC) 和0.729的精度,超过了临床模型 (AUC=0.710,精度=0.625).
- DL可视化识别了非瘤区域,如膜异常和血管问题,作为ICI-P风险的重要预测因素.
结论:
- 使用CT图像的全肺分析DL模型为识别ICI-P高风险患者提供了一种可访问的方法.
- 这种方法对于个性化免疫疗法规划至关重要,证明了全肺CT分析对预后预测的有效性.
