基于AI的淋巴结转移和囊入侵的多式预测在cT1N0M0乳头甲状腺癌的乳头甲状腺癌中
Xiaowei Peng1, Peng Wu1, Wu Li1
1Department of Thyroid Surgery, Hunan Cancer Hospital & The Affiliated Cancer Hospital of Xiangya School of Medicine, Central South University, Changsha, China.
Frontiers in endocrinology
|June 11, 2025
概括
这项研究开发了一个人工智能 (AI) 模型,整合了超声波放射学和深度学习,以准确识别高风险的乳头甲状腺癌 (PTC). 人工智能模型改善了cT1N0M0 PTC患者的风险分层,提高了治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的手术前评估cT1N0M0乳头甲状腺癌 (PTC) 对于治疗至关重要.
- 在检测淋巴结转移 (LNM) 和囊入侵 (CI) 时,超声波的局限性可能导致错误分类和无线电频率切除的安全问题.
- 这项研究解决了在PTC中改善风险分层的需求.
研究的目的:
- 为cT1N0M0 PTC开发一个人工智能 (AI) 辅助的预测模型.
- 整合超声波放射学和深度学习功能,以增强LNM和CI的识别.
- 改善风险分层,优化PTC患者的治疗策略.
主要方法:
- 总共分析了203名PTC患者,分为培训 (142) 和内部测试 (61) 组.
- 超声波放射学和视觉变压器 (ViT) 深度学习特征被提取并使用LASSO,差异值和RFE进行选择.
- 单模和多模模型是使用特征级和决策级融合开发的,性能由AUC,回忆和准确性评估.
主要成果:
- 整合放射学和深度学习功能的多式人工智能模型展示了卓越的性能.
- 多式联机RandomForest模型在测试组中实现了0.763的AUC,在训练组中达到0.992.
- 决策级融合模型将外部测试集AUC提高到0.843,SHAP分析确定了与瘤异质性相关的关键特征.
结论:
- 开发的多式联络人工智能模型有效地预测高风险的cT1N0M0 PTC.
- 人工智能模型在识别LNM和CI方面表现优于单一模式方法.
- 这种人工智能辅助工具有助于临床决策,以优化PTC治疗策略.
