通过将内镜图像和现实世界数据集成到多式人工智能模型中,提高早期胃癌中淋巴结转移风险预测

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精确预测淋巴结转移 (LNM) 和淋巴血管入侵 (LVI) 对早期胃癌 (EGC) 治疗计划至关重要.
• 目前的方法可能缺乏最佳治疗策略所需的精度.

研究的目的:

• 开发和验证基于深度学习的临床决策支持系统 (CDSS),用于预测LNM,包括EGC中的LVI.
• 评估基于变压器的模型与使用现实数据的其他深度学习方法的性能.

主要方法:

• 通过使用内镜图像,人口统计数据,活检病理学和来自五个机构的2927名EGC患者的CT发现,开发了CDSS.
• 基于变压器的模型与基本的CNN和CNN与随机森林模型进行了比较.
• 使用内部和外部验证队列 (分别为449名和766名患者) 来评估模型性能.

主要成果:

• 基于变压器的模型实现了0.9083的高AUC,超过了CNN (AUC0.5937) 和CNN随机森林 (AUC0.7548).
• 变压器模型表现出强烈的灵敏度 (85.71%) 和特异性 (90.75%),在内部和外部验证中保持高性能.
• 该模型在验证数据集中准确地确定了高比例的LNM/LVI患者.

结论:

• 基于深度学习的CDSS集成真实世界的数据可以有效地预测LNM/LVI在EGC.
• 该系统显示了指导EGC患者临床治疗策略的潜力.
• 基于变压器的方法为预测EGC中的LNM/LVI提供了卓越的性能.