基于CT的放射学深度学习模型预测了早期肺腺癌患者的隐性淋巴结转移:一项多中心研究
Xiaoyan Yin1, Yao Lu2, Yongbin Cui1
1Department of Radiation Oncology, Shandong Cancer Hospital and Institute, Shandong First Medical University and Shandong Academy of Medical Science, Jinan 250117, China.
概括
一个新的深度学习融合模型准确地预测了早期非小细胞肺癌 (NSCLC) 中隐性淋巴结转移 (OLNM). 这种非侵入性工具有助于完善分期和个性化治疗,以获得更好的结果.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 隐性淋巴结转移 (OLNM) 是SBRT或手术等治疗后早期非小细胞肺癌 (NSCLC) 复发的关键因素.
- 准确预测OLNM对于有效的分期和个性化治疗计划至关重要.
研究的目的:
- 开发和验证基于计算机断层扫描 (CT) 的放射学和深度学习 (DL) 融合模型,用于对OLNM的非侵入性预测.
- 将融合模型的性能与传统的临床和放射学模型进行比较.
主要方法:
- 从两个中心对358名放射性节点阴性肺腺癌患者进行了回顾性分析.
- 使用后勤回归的临床,放射学和放射学-临床模型的开发.
- 建立3DSE-ResNet34深度学习模型和融合模型,整合临床,放射学和DL特征.
- 使用AUC,校准曲线和决策曲线分析 (DCA) 的性能评估; SHAP和Grad-CAM用于解释.
主要成果:
- DL融合模型实现了高AUC (0.947培训,0.903内部验证,0.907外部测试),优于其他模型.
- 决策曲线分析证实了该模型的临床实用性,校准曲线显示出了很好的一致性.
- 特征解释强调了纹理特征和周区域在预测OLNM风险中的作用.
结论:
- DL融合模型提供了一种可靠和准确的非侵入性方法,用于预测早期肺腺癌中的OLNM.
- 这种方法可以完善患者的分期,并指导个性化治疗策略,潜在地优化手术和放射治疗计划.
