基于多参数磁共振成像和临床参数的深度学习模型,用于识别来自直肠癌的同步肝转移

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:

• 准确预测同步性肝转移 (SLM) 对直肠癌 (RC) 治疗计划和预后至关重要.
• 多参数磁共振成像 (MRI) 和临床数据为SLM风险分层提供了潜力.

研究的目的:

• 开发和验证深度学习 (DL) 模型,以使用治疗前多参数MRI和临床数据预测RC患者的SLM.
• 将DL模型的性能与临床特征 (CF) 模型进行比较.

主要方法:

• 追溯性研究包括176名初级队列中的患者和31名外部验证队列中的患者.
• 使用后勤回归开发CF模型和两个DL模型 (剩余网络) 结合MRI数据与或没有CFs.
• 使用5倍交叉验证,外部验证,ROC分析和DCA的验证.

主要成果:

• 结合DL模型 (MRI+临床数据) 取得了最高的性能,AUC为0.887 (初级) 和0.876 (外部验证).
• 综合DL模型的表现优于CF模型 (AUC 0.816 主要,0.824 外部) 和仅MRIDL模型 (AUC 0.788 主要,0.662 外部).

结论:

• 结合DL模型显示了在RC患者中预测SLM的显著潜力.
• 该模型可以支持个性化的成像策略和个性化的临床决策,用于SLM风险分层.