使用基于CT的深度学习模型预测胃切除术后局部晚期胃癌的早期复发:一项多中心研究
Xinyu Guo1, Mingzhen Chen1, Lingling Zhou1
1Zhejiang Key Laboratory of Imaging and Interventional Medicine, Zhejiang Engineering Research Center of Interventional Medicine Engineering and Biotechnology, Lishui Hospital, School of Medicine, Zhejiang University, Lishui, China.
International journal of surgery (London, England)
|December 23, 2024
概括
使用CT扫描的深度学习模型 (DLER MLP) 准确地预测局部晚期胃癌 (LAGC) 患者的早期复发. 该工具有助于优化治疗策略和监测,以改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 局部晚期胃癌 (LAGC) 的早期复发与预后不佳有关.
- 准确预测早期复发对于定制治疗策略至关重要.
- 识别预测标记可以改善患者管理和结果.
研究的目的:
- 开发一种深度学习模型 (DLER) 用于使用手术前CT图像预测LAGC患者的早期复发.
- 将临床因素与DLER模型 (DLER MLP) 整合起来,以提高预测准确度.
- 探索与DLER MLP模型预测的早期复发相关的生物基础.
主要方法:
- 一项回顾性研究,涉及来自三个医疗中心和TCIA的620名LAGC患者.
- 使用DenseNet169和多相2.5DCT图像开发DLER模型.
- 将临床因素集成到多层感知子 (MLP) 分类器 (DLER MLP) 中进行预测.
- 使用AUC,精度,灵敏度和特异性的性能评估;使用日志等级测试进行生存分析;通过RNA测序进行遗传分析.
主要成果:
- 与DLER和临床模型相比,DLER MLP模型在内部和外部验证集 (AUC从0.814到0.891不等) 中在预测早期复发方面表现优越.
- 根据早期无复发存活率,无病存活率和整体存活率 (P < 0.001) 有效地对DLER MLP患者进行了分层.
- 高DLERMLP得分与高调的瘤增殖途径 (WNT,MYC,KRAS) 和增加的免疫细胞透相关.
结论:
- 使用CT图像的DLER MLP模型是预测LAGC患者早期复发的宝贵工具.
- 这种人工智能驱动的方法可以帮助优化治疗策略和患者监测.
- 该模型的发现提供了关于胃癌早期复发的生物学基础的见解.
更多相关视频
10:31Intraoperative Gastroscopy for Tumor Localization in Laparoscopic Surgery for Gastric Adenocarcinoma
Published on: August 9, 2016
12.7K
10:28Gene Regulation and Targeted Therapy in Gastric Cancer Peritoneal Metastasis: Radiological Findings from Dual Energy CT and PET/CT
Published on: January 22, 2018
11.0K