基于深度学习的预测增强的CT扫描在食道状细胞癌的淋巴结转移

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:

• 食道状细胞癌 (ESCC) 是一个重大的全球健康挑战,预后不佳.
• 精确预测淋巴结转移 (LNM) 对于有效的ESCC治疗和患者的结果至关重要.

研究的目的:

• 开发和评估一种深度学习模型,用于使用增强型CT图像预测ESCC患者的LNM.
• 提高ESCC中LNM预测的准确性和可解释性.

主要方法:

• 对441名经过食道切除术的ESCC患者进行了回顾性分析.
• 利用了一个新的深度学习模型,LymphoReso-Net,结合了卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络.
• 集成的GRAD-CAM用于模型可解释性和使用五重交叉验证评估性能.

主要成果:

• LymphoReso-Net的平均准确度为0.789,AUC为0.836,灵敏度为0.784和特异性为0.797.
• GRAD-CAM可视化突出了影响LNM预测的关键区域,提高了模型的透明度.

结论:

• 该研究介绍了LymphoReso-Net,这是一个新的深度学习框架,用于在ESCC中预测LNM.
• 该模型的性能和可解释性为淋巴扩散提供了宝贵的见解,支持明智的治疗决策.