非小细胞肺癌 (NSCLC) 的整体分期预测:使用人工神经网络方法进行本地试点研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 非小细胞肺癌 (NSCLC) 是全球领先的癌症.
• CT成像对于初始NSCLC诊断至关重要.
• 组织学评估,黄金标准,有漫长的处理时间.

研究的目的:

• 开发用于NSCLC整体阶段预测的AI模型.
• 利用患者的人口统计和CT衍生的放射学.
• 优先考虑晚期患者进行及时的组织学评估.

主要方法:

• 使用了两个NSCLC患者队列:TCIA和当地医院.
• 提取了107个放射性特征和人口统计数据.
• 使用人工神经网络 (ANN) 和传统分类器开发模型.

主要成果:

• 传送神经网络 (FFNN) 实现了高精度: 88.84% (验证), 76.67% (内部), 74.52% (外部).
• 在所有阶段均具有平衡的敏感性和特异性.
• 证明了良好的平均精度和F1分数.

结论:

• 在NSCLC整体分期预测中,FFNN表现强.
• 该模型有效地预测一次性多个阶段.
• 简单的,通用计算机操作促进了放射科部门的整合,以更快的诊断和患者分拣.