深度学习模型使用CT图像进行良性和恶性地面玻璃结节的纵向预测
Xiaolong Yang1, Jiayang Wang1, Ping Wang2
1Department of Radiology, Harbin Medical University, Harbin Medical University Cancer Hospital, 150 Haping Road, Harbin, Heilongjiang 150081, China.
European journal of radiology
|June 22, 2025
概括
一种使用CT扫描的新型深度学习模型可以准确地预测随着时间的推移良性和恶性肺部地面玻璃结节 (GGNs). 这种人工智能方法显示了改善GGN诊断和患者管理的巨大潜力.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 肺结节的特征 肺结节的特征
- 瘤学中的深度学习
背景情况:
- 肺部地面玻璃结节 (GGNs) 需要准确地区分良性和恶性类型,以进行适当的患者管理.
- 使用计算机断层扫描 (CT) 对GGN的纵向评估对于跟踪变化和预测结果至关重要.
- 传统方法可能在准确预测随时间推移的GGN性质方面存在局限性.
研究的目的:
- 开发和验证基于CT图像的多个时间序列深度学习模型,用于对良性和恶性肺GGN的纵向预测.
- 将深度学习模型的性能与传统的临床和放射性模型进行比较.
主要方法:
- 基于变压器的深度学习框架是使用486个病理确认的GGN的多时间CT图像来开发的.
- 该研究包括来自两个医疗中心的培训,验证和测试集 (7:2:1比率).
- 使用接收器操作特征 (ROC) 曲线和曲线下的面积 (AUC) 评估性能,将深度学习模型与13种机器学习算法 (临床,三角放射学和组合模型) 进行比较.
主要成果:
- 多个时间序列深度学习模型实现了强大的预测能力,AUC为0.911 (培训),0.809 (验证) 和0.817 (测试).
- 将深度学习与CT语义特征集成的模型表现出卓越的性能,产生0.960 (训练),0.878 (验证) 和0.890 (测试) 的AUC.
- 深度学习方法在预测GGN特征方面表现优于独立的临床和三角放射学模型.
结论:
- 开发的多个时间序列深度学习模型有效地使用CT成像预测良性和恶性肺GGN.
- 将深度学习与CT语义特征集成,进一步提高了GGN的预测准确性.
- 这种人工智能驱动的方法为改善纵向GGN评估和诊断提供了一个有希望的工具.
