胃癌淋巴结转移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研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 脏CT图像的手动细分容易产生观察者间的变异性.
• 胃癌 (GC) 淋巴结转移的预测需要强大的方法.
• 自动化细分提供了一个可重复的替代方案.

研究的目的:

• 开发一种使用深度学习的自动化脏细分方法.
• 为构建GC淋巴结转移的预测模型.
• 探索纳米图集放射学和深度学习特征的临床实用性.

主要方法:

• U-Mamba深度学习模型用于自动化脏CT细分.
• 从脏CT图像中提取放射学和深度学习特征.
• 使用五种机器学习方法开发15个预测模型.

主要成果:

• 确定了12种放射学,17种深度学习和2种临床特征.
• 刚果民主共和国模型显示出优越的歧视能力.
• 为临床应用而构建了一个名图.

结论:

• 从自动化脏细分中整合放射学和深度学习的诺莫格拉姆有效地预测了GC淋巴结转移.
• 完全自动化的细分是放射学的一个新且可重复的方法.
• 这种方法对GC管理具有临床指导意义.