一个基于CT的深度学习模型,用于在临床I期肺腺癌中通过空气空间传播的术前预测
Xiaoling Ma1, Weiheng He1, Chong Chen2
1Medical imaging center, People's Hospital of Ningxia Hui Autonomous Region, Yinchuan, China.
Frontiers in oncology
|January 23, 2025
概括
一个新的深度学习模型准确地预测了在早期肺腺癌中通过空气空间 (STAS) 的传播,超过了传统方法. 这种人工智能工具有助于肺癌患者的手术和治疗计划.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是指放射学
- 人工智能的人工智能
背景情况:
- 通过空气空间 (STAS) 准确预测传播对于肺腺癌的分期和治疗计划至关重要.
- 目前的临床语义模型在预测非侵入性STAS方面存在局限性.
研究的目的:
- 开发和验证深度学习签名,用于在临床I期肺腺癌中进行STAS的非侵入性预测.
- 将深度学习签名的预测性能与传统的临床语义模型进行比较.
主要方法:
- 追溯招募513名患有I期肺腺癌的患者.
- 使用Swin Transformer架构开发一个深度学习签名.
- 使用后勤回归和CT语义特征构建临床语义模型.
主要成果:
- 深度学习签名实现AUC为0.869 (培训) 和0.837 (验证),超过了临床语义模型 (P<0.01).
- 校准曲线显示STAS的预测和观察概率之间有很好的一致性.
- 临床语义预测因素并没有显著改善深度学习模型的性能.
结论:
- 基于Swin变压器的深度学习特征显示了在早期肺腺癌中预测STAS的有希望的性能.
- 这种人工智能驱动的方法可以为手术策略和辅助治疗决策提供信息.
