使用基于双时间点的卷积神经网络预测地面玻璃结节的恶性风险18F-FDG PET/CTCT
Yuhang Liu1, Jian Wang1, Bulin Du1
1Department of Nuclear Medicine, The First Hospital of China Medical University, No. 155 Nanjing St, Shenyang, 110001, China.
概括
使用双时间点18F-FDG PET/CT的卷积神经网络准确地预测了地面玻璃结节 (GGOs) 中的恶性风险. 这种人工智能方法的表现优于医生,有助于精确规划对GGOs的治疗.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射学 放射学是一门学科.
背景情况:
- 准确预测地面玻璃结节 (GGOs) 的恶性风险对于有效的肺癌治疗计划至关重要.
- 地玻璃结节 (GGOs) 需要仔细评估,以区分良性病变和恶性病变.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 模型,用于预测转基因生物的恶性风险.
- 为了利用双时间点18F-FDG PET/CT成像来提高GGO风险分层.
- 将人工智能模型的性能与人类专家诊断进行比较.
主要方法:
- 从311名患者中对397个转基因生物进行了回顾性分析,按病理和随访分类.
- 开发一个 3D nnU-net CNN 模型,对 GGO 分段和风险预测进行多数投票.
- 使用薄截面CT,早期阶段18F-FDG PET/CT和双时间点18F-FDG PET/CT数据进行独立模型的培训和测试.
主要成果:
- 双时间点18F-FDG PET/CT CNN模型在预测GGO恶性瘤方面取得了高准确度 (84.81%) 和AUC (0.85).
- 人工智能模型的准确性明显超过了住院医生 (67.09%),初级 (74.68%) 和专家 (78.48%) 的医生.
- 双时间点18F-FDG PET/CT模型表现出优异的性能,与仅使用CT或早期阶段PET/CT的模型相比.
结论:
- 使用双时间点18F-FDG PET/CT图像的3D nnU-net CNN模型有效地预测了GGO恶性风险.
- 这种由人工智能驱动的方法提供了一个有价值的工具,以协助医生进行GGOs的风险评估和管理.
- 该研究强调了先进的AI和PET/CT成像在提高肺结节的诊断准确度方面的潜力.
