基于CT的息地放射学和深度学习特征,用于预测T1期肺腺癌中的淋巴血管入侵:一项多中心研究
Pengliang Xu1, Fandi Yao2, Yunyu Xu1
1Department of Thoracic Surgery, The First People's Hospital of Huzhou, Huzhou, China (P.X., Y.X., H.Y., W.L., S.Z.).
Academic radiology
|April 19, 2025
概括
基于CT的息地放射学有效地预测了早期肺腺癌 (LUAD) 的淋巴血管入侵 (LVI). 这种新的方法在识别LVI阳性患者方面超过了传统的放射学和深度学习模型.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医学成像分析 医学成像分析
背景情况:
- 淋巴血管侵袭 (LVI) 是T1期肺腺癌 (LUAD) 的关键预后因素.
- 准确预测LVI对于指导治疗决策和改善患者结果至关重要.
- 目前用于LVI预测的方法有局限性,需要探索先进的成像技术.
研究的目的:
- 评估CT衍生生息地放射学在T1阶段LUAD中预测LVI的有效性.
- 将息地放射学与传统放射学和深度学习 (DL) 模型的预测性能进行比较.
- 为了识别用于LVI检测的基于图像的强有力的签名.
主要方法:
- 来自三个机构的349名T1期LUAD患者的回顾性分析 (2021年1月至2024年3月).
- 集群CT图像和表面扩散系数地图,使用K-means算法来定义息地.
- 使用AUC,校准曲线和决策曲线分析开发和评估放射学,息地和DL模型.
主要成果:
- 确定了四个不同的息地,整体息地区域显示出卓越的预测能力.
- 在外部测试组中,息地模型与放射学模型 (0.918) 和DL模型 (0.896) 相比,息地模型达到0.941的曲线下面面积 (AUC) 更高.
- 息地签名在识别LVI阳性患者方面表现出显著的优势.
结论:
- 基于CT的息地放射学为预测T1阶段LUAD中的LVI提供了一个有希望的,非侵入性的工具.
- 息地签名为LVI预测提供了比传统放射学和DL方法更高的性能.
- 这种方法可以帮助精确识别患有LVI高风险的患者,从而有可能优化治疗策略.
