结合放射学和深度学习,在CT图像上预测胃癌的肝转移
Yimin Guo1,2, Haixiang Yin2,3, Hanyue Zhang1,2
1Department of Radiology, The First Affiliated Hospital of Zhengzhou University, Zhengzhou, Henan, China.
Frontiers in oncology
|July 9, 2025
概括
来自CT扫描的深度学习放射学有效地预测胃癌肝脏转移 (GCLM). 这种融合模型结合了临床因素和先进的成像功能,为个性化的患者管理提供了宝贵的工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 胃癌 (GC) 肝转移 (GCLM) 显著影响患者的预后.
- 准确预测GCLM对于个性化治疗策略至关重要.
- 传统的预测方法往往缺乏足够的准确性.
研究的目的:
- 开发和验证使用CT图像的深度学习 (DL) 放射学特征用于GCLM的预测模型.
- 整合临床因素,经典放射学和DL特征,以提高预测性能.
- 评估模型在同步和超时GCLM之间区分的能力.
主要方法:
- 对1001名GC患者的回顾性分析.
- 提取和选基于CT的经典放射学和DL特征.
- 构建一个DL-放射学得分和一个结合预测模型 (nomogram) 结合临床因素.
主要成果:
- 合并模型表现出强大的预测性能 (AUC 0.796训练,0.787测试),表现优于临床,放射学和DL-only模型 (P<0.05).
- 该模型提供了最大的临床净益.
- DL-放射性评分在区分同步与元时代GCLM (AUC0.665) 中表现中等.
结论:
- 基于CT的融合模型整合DL放射学和临床因素对于预测GCLM非常有价值.
- 该模型可以为GC患者指导个性化的随访和治疗决策.
- 进一步的研究可以改进DL-放射学,以改善GCLM预测.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
