多模体MRI深度学习用于预测皮质甲状腺癌中的中枢淋巴结转移
Xiuyu Wang1,2, Heng Zhang2, Hang Fan3
1Nurturing Center of Jiangsu Province for State Laboratory of AI Imaging & Interventional Radiology, Department of Radiology, Zhongda Hospital, Medical School, Southeast University, Nanjing 210018, China.
Cancers
|December 17, 2024
概括
一个新的深度学习模型使用MRI和患者数据准确地预测皮肤状甲状腺癌中中枢淋巴结转移. 这种方法有助于手术决策,并减少皮毛甲状腺癌患者不必要的治疗.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 中枢淋巴结转移 (CLNM) 是皮囊性甲状腺癌 (PTC) 手术规划的关键因素.
- 准确预测CLNM对于优化治疗策略和避免PTC患者过度治疗至关重要.
研究的目的:
- 使用磁共振成像 (MRI) 和临床病理学数据开发PTC中CLNM的预测模型.
- 将深度学习 (DL) 模型的性能与传统机器学习 (ML) 模型进行CLNM预测的比较.
主要方法:
- 从105名PTC患者的手术前MRI数据的回顾性分析.
- 开发一个深度学习模型 (AMMCNet),包括卷积神经网络 (CNN) 和MRI图像与临床病理数据的融合.
- 与传统的ML模型进行比较,包括支持向量机 (SVM),后勤回归 (LR) 和随机森林 (RF).
- 通过接收机操作员特征 (ROC) 曲线分析评估预测性性能,通过决策曲线分析 (DCA) 评估临床效用.
主要成果:
- 损伤直径被确定为CLNM的一个独立风险因素.
- 在ML模型中,随机森林 (RF) 模型实现了0.863.3的曲线下的最高面积 (AUC).
- 拟议的DL融合模型以0.891的AUC表现出卓越的性能,超过了所有ML融合模型.
结论:
- 使用AMMCNet架构的融合模型,集成MRI图像和临床病理数据,有效地预测PTC中的CLNM.
- 开发的DL模型显示了提高诊断准确度和指导PTC管理中的手术决策的巨大潜力.
