通过自动细分深度学习模型预测通过空气空间的瘤扩散在外围I期肺腺癌的肺腺癌
Cong Liu1, Yu-Feng Wang2, Ping Gong3
1Department of Minimally Invasive Oncology, Xuzhou New Health Geriatric Hospital, Xuzhou, People's Republic of China.
Respiratory research
|March 8, 2025
概括
深度学习模型准确地预测了早期肺癌中瘤的扩散. 这种人工智能方法在肺腺癌 (LUAD) 患者的治疗中比传统放射学更具有优越的临床适用性.
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) 是一种辐射学.
背景情况:
- 通过空气空间传播的瘤 (STAS) 是肺腺癌 (LUAD) 的预后因素.
- 准确的手术前预测STAS对于治疗规划至关重要.
- 目前用于STAS预测的方法在临床应用方面存在局限性.
研究的目的:
- 评估深度学习 (DL) 模型的自动细分,用于预测外围阶段I LUAD中的STAS.
- 为了比较DL模型与传统放射学模型的性能.
- 评估基于DL的STAS预测的临床适用性.
主要方法:
- 肺瘤手术数据的回顾性分析 (2022年1月至2023年12月).
- 使用VNet架构和转移学习开发和验证DL模型.
- 与传统的放射性特征进行比较.
- 使用ROC曲线,校准和决策曲线分析评估诊断准确性.
主要成果:
- DL模型实现了0.880的AUC,超过了传统的放射学 (AUC0.833).
- 在内部和外部验证队列中,DL模型表现出卓越的性能.
- 通过校准曲线,决策曲线分析和ROC曲线证实了增强的诊断准确性和临床实用性.
结论:
- 具有自动细分的DL模型在I阶段的手术前STAS预测中显示出显著的前景.
- 在诊断准确性和临床适用性方面,DL方法超过了传统的放射学.
- 这项技术为改善肺癌治疗策略提供了宝贵的工具.
