基于转移学习机制的深度学习模型来预测肺腺癌通过空气空间的传播,基于转移学习机制

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:

• 通过空气空间传播 (STAS) 是肺腺癌 (LUAD) 中新发现的一种侵入性模式.
• STAS与较差的患者预后有关.
• 准确的手术前预测STAS对于定制手术和治疗干预至关重要.

研究的目的:

• 开发和验证基于深度学习的预测模型,用于 LUAD 中的 STAS.
• 将放射性特征与深度学习集成在一起,以提高STAS预测.
• 为改善在LUAD中STAS的手术前评估提供一个工具.

主要方法:

• 对290名手术前CT扫描的LUAD患者进行了回顾性分析.
• 一个混合深度学习模型 (STAS-HYBRIDt10) 使用ResNet50架构和用于特征选择的后勤回归来开发.
• 该模型结合了临床和成像特征,包括IASLC等级,瘤直径,密度和诸如状和真空状的迹象,以及周周瘤炎症.

主要成果:

• 在STAS-HYBRIDt10模型的训练组中,AUC达到0.874,在测试组中达到0.801.
• 该模型表现出良好的性能,在训练和测试组中报告了灵敏度,特异性和准确度指标.
• 关键预测因素包括IASLC等级,瘤直径,密度,状标志,真空标志和周围瘤阻塞性炎症.

结论:

• 开发的STAS-HYBRIDt10模型显示了在LUAD中进行术前STAS预测的巨大潜力.
• 这种预测工具可以帮助临床医生做出有关LUAD患者手术和治疗计划的明智决策.
• 这种深度学习模型的进一步验证和临床整合是有必要的.