一种转移学习放射学诺米克图,用于预测晚期胃癌的术后复发

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 晚期胃癌 (AGC) 复发是一个重大的临床挑战.
• 预测术后复发对于有效的患者管理至关重要.

研究的目的:

• 开发和评估一种转移学习 (TL) 算法,用于预测AGC手术后复发.
• 评估TL在小样本临床研究中的价值,以预测AGC复发.

主要方法:

• 一项回顾性研究包括来自三个中心的431例AGC病例.
• 从整个幻灯片图像 (TLS-WSI) 和自然图像 (TLS-ImageNet) 中构建转移学习签名 (TLS).
• 一个TL放射性模型 (TLRM) 通过将最佳TLS与临床因素和基于CT的特征集成来构建.

主要成果:

• TLS-WSI显著优于其他模型,包括TLS-ImageNet,非TLS和临床模型 (p <0.05).
• 在TL放射性模型 (TLRM) 中,在训练 (0.9643) 和验证队列 (高达0.9195) 中都实现了高AUC值.
• 综合区分改善 (IDI) 和决策曲线分析 (DCA) 证实了TLRM的卓越性能.

结论:

• 转移学习,特别是TLS-WSI,显示出预测AGC手术后复发的前景.
• 开发的TL放射性模型 (TLRM) 在预测复发方面非常有效.
• TL提高了临床研究模型的性能,特别是在小样本大小.