一个基于融合的深度学习算法根据初级瘤CT图像预测PDAC转移:一项跨国研究

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:

• 胰腺癌转移的诊断对于治疗计划至关重要.
• 增强对比度的CT扫描 (CECT) 是标准的,但需要全面分析.
• 准确的转移预测有助于患者管理和治疗策略.

研究的目的:

• 开发一种深度学习模型,即胰腺癌转移预测深度学习算法 (PMPD),用于预测胰腺外转移.
• 为了评估PMPD模型的性能,使用初级胰腺管道腺癌 (PDAC) 的CECT图像.

主要方法:

• 在335名PDAC患者 (PanGenEU和ZZU) 的CECT图像上训练了一个卷积神经网络 (CNN).
• 该模型使用两个独立的外部数据集 (RUMC-PANCAIM和PREOPANC-DPCG) 进行了严格的验证.
• 使用接收器操作特征曲线 (AUROC) 下面的面积来评估性能.

主要成果:

• 在内部验证 (0.895-0.779) 和外部验证 (0.806-0.761) 中,PMPD模型实现了高AUROC.
• 来自PMPD的转移风险评分 (MRS) 在预测整体存活率方面显著优于现有方法.
• 此外,MRS还显示了在3-6个月内预测未来转移发展的潜力.

结论:

• 这项研究开创了高性能深度学习模型的使用,用于预测PDAC中的胰腺外转移.
• PMPD模型及其衍生的MRS为提高预后准确性和指导临床决策提供了宝贵的工具.