基于变压器的骨肌深度学习模型,用于预测胃癌患者在治愈切除术后的生存率
Qiuying Chen1,2, Lian Jian1,3, Hua Xiao4
1Department of Radiology, The First Affiliated Hospital, Jinan University, No. 613, Huangpu West Road, Tianhe District, Guangzhou, Guangdong, 510627, People's Republic of China.
概括
一个新的骨肌深度学习 (SMDL) 模型使用CT扫描准确预测胃癌存活率. 这种人工智能工具可以识别高风险患者,改善癌症预后的临床决策.
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:
- 胃癌 (GC) 的生存预测仍然具有挑战性.
- 骨肌肉计算机断层扫描 (CT) 成像提供了潜在的预后见解.
- 开发先进的预测模型对于患者管理至关重要.
研究的目的:
- 开发和评估一种骨肌深度学习 (SMDL) 模型,用于预测胃癌患者的生存率.
- 用现有方法对模型的性能进行评估.
- 探索SMDL模型与临床变量的集成,以提高预测.
主要方法:
- 基于变压器的SMDL模型是使用GC患者的手术前CT图像开发的.
- 该模型预测了无复发生存率 (RFS) 和疾病特异性生存率 (DSS).
- 使用曲线下的面积 (AUC) 评估性能,并与替代AI模型和身体组成参数进行比较.
主要成果:
- 在培训和验证队列中,SMDL模型实现了高AUC (0.791-0.943) 的RFS和DSS预测.
- 该模型显著超过了替代人工智能模型和常规参数.
- 结合SMDL签名与临床变量的一种综合模型显示出优异的预后预测,具有强大的公平性.
结论:
- 基于变压器的SMDL模型准确预测胃癌患者的生存率.
- 它有效地识别出患有复发或死亡高风险的患者.
- 这种人工智能工具可以协助临床决策,用于胃癌管理.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.6K
