基于双能CT的深度学习模型,用于评估口腔状细胞癌中的宫淋巴结转移
Yi-Ming Qi1, Li-Jie Zhang1, Yu Wang2
1Department of Radiology, The Second Xiangya Hospital of Central South University, Changsha, China (Y.M.Q., L.J.Z., Y.J.L., E.H.X., Y.H.L.).
Academic radiology
|July 8, 2025
概括
一种新的深度学习模型使用双能量CT扫描精确检测口腔状细胞癌 (OSCC) 中的淋巴结转移 (LNM). 这种人工智能方法对改善患者治疗计划和临床决策充满希望.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 精确检测淋巴结转移 (LNM) 对于口腔状细胞癌 (OSCC) 治疗计划至关重要.
- 双能CT (DECT) 为LNM评估提供了先进的成像功能.
研究的目的:
- 开发和验证一个深度学习模型,用于使用DECT在OSCC中增强LNM检测.
- 将模型的性能与人类放射科医生的性能进行比较.
主要方法:
- 使用了DECT图像 (图,脂肪图,70keV单能,RHO/Z图) 和来自两个中心的临床数据.
- 通过堆叠感兴趣的区域图像来创建合的四通道复合图像.
- 训练了16个深度学习模型,包括Crossformer,Densenet169,Squeezenet1_0和一个新的Crossformer_Transformer模型.
主要成果:
- 交叉变压器_变压器模型实现了0.960 (培训),0.881 (内部验证) 和0.881 (外部验证) 的最高AUC.
- 该模型的表现优于放射科医生,其平均AUC范围从0.723到0.819.
- 该模型在多中心数据上展示了强大的诊断性能.
结论:
- 交叉变压器_变压器模型显示了在OSCC中改善宫LNM手术前风险评估的巨大潜力.
- 这种人工智能驱动的方法可以增强OSCC患者的临床决策.
