相关实验视频
Updated: May 7, 2025
06:09
Quantification of Tumor Cell Adhesion in Lymph Node Cryosections
Published on: February 9, 2020
11.7K
深度学习放射学名图有助于评估宫腺癌/腺性瘤的淋巴结状况
Mei Ling Xiao1,2, Le Fu3, Ting Qian4
1Department of Nuclear Medicine and PET Center, The Second Affiliated Hospital of Zhejiang University School of Medicine, Hangzhou, China.
Frontiers in oncology
|December 30, 2024
概括
这项研究开发了一种深度学习放射学光学图 (DLRN) 来准确评估宫腺癌/状细胞癌中的淋巴结转移 (LNM). 与LNM评估的现有方法相比,DLRN模型显示出更高的性能.
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:
- 精确评估淋巴结转移 (LNM) 对于宫腺癌 (AC) 和腺癌 (ASC) 的治疗决定至关重要.
- 目前用于LNM评估的方法在手术前设置中存在局限性.
研究的目的:
- 开发和验证深度学习放射学名图 (DLRN) 用于在宫AC/ASC中进行LNM的术前评估.
- 提高LNM评估的准确性,以指导放射治疗或激进子宫切除术 (RH) 的临床决策.
主要方法:
- 一项多中心研究招募了652名患者,随机分配到初级,内部和外部验证队列.
- 从T2WI,DWI和CE-T1WI提取了放射学特征;使用Resnet 34获得了深度学习 (DL) 特征.
- 通过整合放射学分数 (RS),DL分数 (DLS) 和临床病理因素来构建DLRN.
主要成果:
- 在初级,内部和外部验证队列中,DLRN分别实现了0.79,0.87和0.86的高AUC.
- 与RS,DLS和临床模型相比,DLRN对LNM评估的AUC显著更高 (P < 0.005).
结论:
- 开发的DLRN名谱准确评估了宫AC/ASC的淋巴结转移.
- 这种由人工智能驱动的工具有可能增强手术前LNM评估,并为治疗策略提供信息.
