基于深度学习的U-Mamba模型使用脏细分的放射特征来预测差异化胃癌

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:

• 脏计算机断层扫描 (CT) 图像的手动细分是耗时的,容易引起观察者之间的变化.
• 准确的脏图像分析对于了解它在各种疾病中的作用至关重要.

研究的目的:

• 开发一种使用深度学习用于计算机断层扫描 (CT) 图像的自动化脏细分方法.
• 使用放射学和临床数据构建胃癌 (GC) 差异化的预测模型.
• 在GC管理中生成临床指导的诺米克图.

主要方法:

• 一个深度学习模型 (U-Mamba) 用于在262名确诊GC的患者中进行脏CT图像自动细分.
• 放射性特征被提取,并应用维度减小来识别重要的特征.
• 通过结合临床和放射性特征,开发了三种预测模型 (CL,RA,CR),其中表现最好的模型以名图形式可视化.

主要成果:

• 30个放射性特征和一个临床特征在选择后被确定为有价值的.
• 与临床 (CL) 和组合 (CR) 模型相比,放射性特征 (RA) 模型显示出更高的区分能力.
• 基于后勤临床模型开发了一个名图,用于实际应用和验证.

结论:

• 通过深度学习进行自动化脏细分,可有效提取放射性特征.
• 这些放射性特征有效预测胃癌 (GC) 的分化程度.
• 开发的诺莫图谱为GC提供了宝贵的临床决策支持.