使用基于深度学习的自动细分和放射学分析预测肺切除患者的生存和复发情况
Hossam A Zaki1, Karim Oueidat2, Celina Hsieh2
1Department of Diagnostic Imaging, The Warren Alpert Medical School of Brown University/Rhode Island Hospital, Providence, RI, USA. hossam_zaki@brown.edu.
Cardiovascular and interventional radiology
|November 28, 2024
概括
深度学习细分和放射学分析的肺部瘤后的热除可以预测患者的生存和复发. 剥离后成像数据改善了这些结果的预测准确性.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 图像导向热性除 (IGTA) 是对肺部瘤的一种微创治疗方法.
- 准确的预测存活和复发后消去是关键的患者管理.
- 深度学习为自动瘤细分和特征提取提供了潜力.
研究的目的:
- 为了预测IGTA肺瘤后的存活率和瘤复发.
- 评估用于瘤细分和放射性特征提取的深度学习方法.
- 评估基于放射学模型的性能,以预测结果.
主要方法:
- 对113名接受IGTA治疗肺癌的患者进行了回顾性分析.
- U-Net和UNETR (U形编码解码变压器) 模型用于CT扫描上的自动肺部和瘤细分.
- 从细分瘤中提取的放射性特征.
- 为生存和复发预测而训练的支持向量机 (SVM) 模型.
- 模型性能使用c指数和时间依赖的AUC进行评估.
主要成果:
- 对于瘤细分,UNETR获得了0.75的Dice分数.
- 使用废弃后扫描的放射学模型预测了生存率,其c指数为0.71,AUC为0.75.
- 剥离前扫描显示,生存的预测指标较低 (c指数为0.56,AUC为0.56).
- 对于复发预测,切除后扫描实现了0.65的c指数和0.72.7的AUC.
- 废除前扫描显示复发预测的性能降低 (c指数0.54,AUC0.54).
结论:
- 使用基于变压器的U-NET进行自动细分,可实现放射性特征分析.
- 从消去后CT扫描的放射性特征可以预测IGTA后的生存和复发.
- 这种人工智能驱动的方法对改善肺癌治疗的预后准确性充满希望.
