整合放射学和深度学习,以更好地预测IA期肺腺癌的高度模式

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 在侵袭性肺非性腺癌中,高度模式 (HGP) 会对预后产生负面影响.
• 在开发个性化临床治疗策略时,手术前对医疗保健医生进行鉴定至关重要.
• 计算机断层扫描 (CT) 成像为非侵入性HGP评估提供了潜力.

研究的目的:

• 开发和验证一个预测模型,以使用手术前CT图像识别入侵性肺非性腺癌的HGP.
• 整合放射学和深度学习功能,以提高预测性能.
• 评估开发模型的临床实用性.

主要方法:

• 对403名患有IA期侵入性非性腺癌的患者进行了回顾性分析.
• 从CT图像中提取256个深度学习和1836个手工制作的放射学特征.
• 使用t测试,皮尔森相关性和LASSO回归的特征选择.
• 使用XGBoost分类器构建融合模型,并使用ROC曲线,校准曲线和DCA进行性能评估.

主要成果:

• 聚变模型的AUC为0.983 (培训),0.862 (验证) 和0.832 (测试组),超过了个人放射学和深度学习模型.
• 该模型表现出强大的能力,以区分具有和没有HGP的瘤.
• 校准曲线显示预测和观察结果之间的良好一致性,DCA表明显著的临床益处.

结论:

• 一个基于CT的融合模型有效地预测HGP在侵袭性肺腺癌.
• 该模型可以帮助临床医生为患者量身定制治疗和监测策略.
• 放射学和深度学习功能的整合显示了改善肺癌诊断准确性的前景.