使用基于CT的非对比放射学和深度学习与甲状腺叶片分割来预测乳头甲状腺癌中的淋巴结转移:一项双中心研究

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:

• 乳头甲状腺癌 (PTC) 是最常见的甲状腺恶性瘤.
• 精确预测淋巴结转移 (LNM) 对于在PTC中最佳的患者管理和治疗规划至关重要.
• 目前的诊断方法在术前精确识别LNM方面存在局限性.

研究的目的:

• 开发和验证在PTC患者中LNM的预测模型.
• 将深度学习放射性 (DLRad) 功能与临床数据集成,以提高预测准确度.
• 将组合模型的性能与DLRad,临床模型和放射科医生的评估进行比较.

主要方法:

• 从228名PTC患者中分析了271个甲状腺叶的队列,使用手术前非对比CT扫描.
• 深度学习和放射学特征被提取并使用LASSO算法进行选择.
• 使用后勤回归来构建DLRad,临床和组合预测模型.
• 使用AUC,校准,决策曲线以及与训练,验证,时间和外部测试队伍的放射科医生解释进行比较,严格评估了模型性能.

主要成果:

• 组合模型表现出卓越的诊断性能,在不同队列中实现AUC从0.756到0.830.
• 这种综合模型的性能优于独立的DLRad模型,临床模型和放射科医生评估.
• 组合模型还在决策曲线分析中表现出最低的Brier分数和最高的净效益,表明强大的预测准确性和临床实用性.

结论:

• 结合DLRad和临床特征的综合模型为预测PTC患者的LNM提供了强大而准确的方法.
• 这种方法比现有方法具有显著的优势,有可能改善手术前风险分层和治疗决策.
• 这些发现支持人工智能驱动的放射学在提高甲状腺癌转移的诊断能力方面的临床实用性.