结合循环瘤细胞和放射性特征的深度学习模型,与胸部外科医生相比,对中瘤病变的多重分类:一项大规模的回顾性研究

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 计算机断层扫描 (CT) 图像和循环瘤细胞 (CTC) 为诊断中瘤病变提供了关键的放射和瘤内信息.
• 目前的诊断方法依赖于整合这些数据源,但缺乏统一的多分类方法.

研究的目的:

• 通过结合CT图像和CTC数据,开发和验证深度多式融合网络 (DMFN) 来进行中病变的多重分类.
• 评估DMFN的诊断性能与单模卷积神经网络 (CNN) 模型和人类胸部医生相比.

主要方法:

• 一项回顾性研究招募了1074名患者,获得了1500张增强CT图像和1074张CTC结果.
• 使用CT图像和CTC结果开发并验证了DMFN和单模CNN模型.
• 使用ROC曲线,对对嵌病理的诊断性能进行比较,并对使用ROC曲线的胸部住院医生,主治医生和首席医生进行预测能力评估.

主要成果:

• 与单模CNN (AUC=0.710) 相比,DMFN在二进制分类中表现优越 (AUC=0.941) 并且表现优于首席,主治和住院医生.
• 对于多重分类,DMFN的AUC达到0.884,显著超过单模CNN (AUC=0.722) 和所有医生组 (首席:0.787,临床:0.632,住院:0.541).

结论:

• 这项研究证实了CNN模型的可行性和有效性,该模型整合了CT图像和CTC水平,用于预测中瘤病变的诊断.
• DMFN显示出作为一个有价值的工具的潜力,以帮助胸部外科医生提高诊断准确性和告知管理决策.