一个深度学习模型用于手术前预测cT1-阶段肺腺癌的淋巴结转移:一个多中心的外部验证研究
Qinqin Yan1, Ying Wei2, Zenghui Cheng3
1Department of Radiology, Ruijin Hospital, Shanghai Jiaotong University School of Medicine, No.197 Ruijin Second Rd, Huangpu District, Shanghai 200025, China (Q.Y., Z.C., F.Y.); Department of Radiology, Shanghai Public Health Clinical Center, Fudan University, No. 2901 Caolang Rd, Jinshan District, Shanghai 201508, China (Q.Y., F.S.).
Academic radiology
|July 12, 2025
概括
一个新的深度学习 (DL) 模型ResLNM准确地预测了早期肺腺癌 (LUAD) 中的淋巴结转移 (LNM). 这种人工智能工具的性能优于传统方法,并且可以通过淋巴结大小标准进行改进,以获得更好的外科决定.
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:
- 精确的淋巴结转移 (LNM) 的术前预测对于临床T1期肺腺癌 (LUAD) 的分期和治疗计划至关重要.
- 使用语义和放射学特征的传统方法在预测LNM方面存在局限性.
研究的目的:
- 开发和验证深度学习 (DL) 模型 (ResLNM) 用于在cT1阶段的LUAD中进行手术前的LNM预测.
- 将DL模型的性能与传统的语义和放射学签名进行比较.
主要方法:
- 一个多中心的回顾性研究,涉及2503名患有cT1阶段LUAD的患者.
- 三种模型的开发:语义,放射学和基于残余网络的DL模型 (ResLNM).
- 使用培训,内部测试和两个独立的外部队列进行验证,通过AUC和DCA评估性能.
主要成果:
- 无论是ResLNM还是放射学模型,在LNM预测中都显著超过了语义模型.
- 在内部和一个外部验证集中,ResLNM的性能与放射学相美,但在另一组外部验证集中,其精度更高.
- 将ResLNM与淋巴结大小标准相结合,显著提高了预测性能,达到AUC高达0.89.
结论:
- ResLNM深度学习模型是一个临床上可行的工具,用于在cT1阶段的LUAD中进行手术前的LNM预测.
- ResLNM的性能优于传统的语义和放射学方法.
- 结合淋巴结大小标准,优化了ResLNM的性能,潜在地改进了手术决策,减少了过度治疗.
