放射学和深度学习对清细胞脏细胞癌中同步远程转移的预测价值

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:

• 清细胞细胞癌 (ccRCC) 是一个重大的健康问题.
• 在ccRCC中准确预测同步远程转移 (SDM) 对患者管理至关重要.
• 当前的诊断方法在早期发现SDM时可能存在局限性.

研究的目的:

• 在ccRCC中开发和验证SDM的预测模型.
• 整合CT放射学和深度学习,以提高预测准确度.
• 改善CCRCC患者的临床决策,这些患者可能患有SDM.

主要方法:

• 分析了205名ccRCC患者 (143名培训,62名验证) 的队列.
• CT图像经历了正常化和手动瘤细分.
• 使用LASSO提取和选择放射性特征;深度学习模型 (ResNet101) 被训练在瘤截面上.
• 一个综合模型融合了最好的机器学习和深度学习模型.

主要成果:

• 15个放射性特征与SDM有显著的关联.
• 支持矢量机 (SVM) 模型的AUC为0.860 (培训) 和0.813 (验证).
• ResNet101的AUC为0.815 (培训) 和0.743 (验证);组合模型的AUC为0.863.
• 决策曲线分析表明,组合模型的临床适用性优越.

结论:

• 集成的放射学和深度学习模型显示了在ccRCC中预测SDM的强大潜力.
• 这种方法可以帮助临床决策,减少遗漏的SDM诊断.
• 该模型可以为ccRCC患者进一步的系统检查提供指导.