基于CT的深度学习用于细分瘤和预测结直肠癌患者的微卫星不稳定性:一个多中心队列研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 结肠直肠癌 (CRC) 诊断和治疗计划受益于精确的瘤细分和微卫星不稳定性 (MSI) 预测.
• 深度学习 (DL) 提供了使用医疗成像自动化这些任务的潜力.

研究的目的:

• 开发和验证DL模型用于CRC的自动瘤细分和MSI预测,使用手术前对比度增强CT图像.
• 与传统方法相比,评估DL模型的性能.

主要方法:

• 对2180名CRC患者的CT扫描进行了回顾性分析.
• 开发一个nnU-Net模型用于瘤自分割.
• 使用成像数据和/或临床病理因素对MSI预测的ViT或CNN模型进行培训和验证.
• 使用诸如子系数,AUC和决策曲线分析等指标进行评估.

主要成果:

• 分段模型在外部测试集中实现了高性能 (例如,Dice系数为0.71).
• 结合CT图像和临床数据的DL模型在MSI预测中显著优于临床模型和仅图像模型 (AUC为0.83和0.82).
• 决策曲线分析表明,组合模型的临床效用优越.

结论:

• 深度学习模型显著提高了CRC中的瘤细分效率.
• 结合对比度增强的CT成像和临床病理学数据的集成DL模型显示在CRC中MSI预测的强烈诊断性能.