基于深度学习的术前临床放射学模型,用于对胆囊癌患者的预后评估
Zhechuan Jin1,2, Chen Chen1, Dong Zhang1
1Department of Hepatobiliary Surgery, The First Affiliated Hospital of Xi'an Jiaotong University, Xi'an, 710061, Shaanxi, China.
BMC cancer
|February 25, 2025
概括
这项研究开发了一种深度学习放射学模型,以预测胆囊癌存活率. 该模型有助于术前评估和治疗决策,改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 胆囊癌 (GBC) 在手术前评估和治疗计划中构成了重大挑战.
- 准确的生存预测对于优化患者管理策略至关重要.
研究的目的:
- 开发使用深度学习的GBC手术前临床放射学生存预测模型.
- 为GBC患者的手术前评估和治疗决策提供可靠的工具.
主要方法:
- 对168名手术前增强型CT扫描的GBC患者进行了回顾性分析.
- 开发一个nnU-Net模型来对感兴趣区域 (ROI) 进行细分.
- 创建一个集成放射学特征和临床变量的DeepSurv模型.
主要成果:
- 提取了1502个放射性特征,其中13个是在缩小尺寸后选择的.
- 与其他模型相比,基于nnU-Net的临床放射学DeepSurv模型显示出优异的1,2,3年生存预测准确性 (C指数,AUC).
- 在nnU-Net和基于手动细分的模型之间没有观察到预测效率的显著差异.
结论:
- 使用nnU-Net细分的DeepSurv模型有效地评估和分层GBC患者的生存结果.
- 这个模型作为一个有价值的参考,用于手术前诊断和治疗计划在GBC.
