基于F-FDG PET/CT的深度学习模型和临床代谢的诺莫图谱用于预测肺腺癌的高度模式

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:

• 开发非侵入性方法来预测侵袭性肺腺癌 (LUAD) 中的高度模式 (HGP) 对于有效治疗至关重要.
• 18F-FDG PET/CT成像为此类预测提供了一个潜在的模式.

研究的目的:

• 开发和验证深度学习 (DL) 和临床代谢 (CM) 模型,用于使用18F-FDG PET/CT图像预测侵袭性LUAD中的HGP.
• 为了比较这些开发的模型的预测性能.

主要方法:

• 一项对303名入侵性LUAD患者进行的回顾性研究,分为培训,验证和测试集.
• 用PET,CT和PET/CT融合图像进行DL模型的训练.
• 使用临床和代谢参数构建了一个CM模型,并通过名录图可视化.

主要成果:

• DL和CM模型都表现出良好的预测效率,曲线下的面积 (AUC) 值在0.817到0.977.7之间.
• 在试验组中,CT-DL模型获得了最高的AUC (0.895),紧随其后的是PET/CT-DL (0.882) 和CM (0.879) 模型.
• 不同模型的预测性能之间没有发现显著差异.

结论:

• 基于18F-FDG PET/CT成像的深度学习和临床代谢模型可以有效地识别带有HGP的LUAD患者.
• 这些模型在帮助治疗规划和推进LUAD精准医学方面表现有前途.