对于胃癌血清入侵的深度学习和放射学:来自两个中心的自动细分和多机器学习
Hui Shang1, Tao Feng1, Dong Han1
1Affiliated Hospital of Chengde Medical University, Chengde, 067000, Hebei Province, China.
Journal of cancer research and clinical oncology
|February 3, 2025
概括
这项研究引入了一种使用深度学习进行胃癌 (GC) 血清侵袭预测的自动化脏细分方法. 开发的诺米图,集成放射学和深度学习功能,显示出临床应用的前景.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 无线电学 (Radiomics) 是一种无线电学.
背景情况:
- 脏计算机断层扫描 (CT) 图像的手动细分容易引起观察者之间的变化.
- 准确预测胃癌 (GC) 血清侵袭对于治疗规划至关重要.
研究的目的:
- 使用深度学习开发一种自动化脏CT图像细分方法.
- 使用放射学和深度学习功能构建GC血清入侵的预测模型.
- 为了生成临床指导的诺米克图.
主要方法:
- 在311名GC患者中利用U-Mamba深度学习模型进行全自动的脏CT细分.
- 从脏CT图像中提取和减少放射学和深度学习特征的维度.
- 集成的临床,放射学和深度学习功能开发和评估15个预测模型,使用五种机器学习方法.
主要成果:
- 确定了18种放射学,30种深度学习和1种临床特征具有价值.
- 与其他模型相比,DLRA模型表现出优越的区分性能.
- 基于临床实用性的物流临床模型构建了一个名图.
结论:
- 从自动化脏细分中整合放射学和深度学习特征的诺米克图有效预测GC血清入侵.
- 完全自动化的脏细分为放射学研究提供了一种新且可重复的方法.
