基于CT特征,放射学和深度学习的多个肺地面玻璃结节的生长预测模型的开发和验证

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是指放射学
• 在瘤学瘤学.

背景情况:

• 以前的肺部地面玻璃结节 (GGNs) 增长预测模型主要集中在单独的结节上.
• 了解多个GGN的自然历史对于精确的监测和干预至关重要.
• 这项研究调查了多个GGN,比较CT特征,放射学和深度学习 (DL) 以预测增长.

研究的目的:

• 为了调查多重肺GGNs的自然史.
• 开发和验证使用CT特征,放射学和DL的增长预测模型.
• 为了比较多个GGN增长的不同模型的预测性能.

主要方法:

• 对至少有两个持久性GGN和>=3年的随访患者的回顾性审查.
• 由直径,体积增加或固体组件变化定义的GGN增长.
• 使用AUC进行性能评估,构建和验证临床,放射学,DL,临床放射学和临床DL模型.

主要成果:

• 分析了231名患者的732个GGN;37.2%显示增长.
• 分球,真空,初始体积和质量被确定为GGN生长的危险因素.
• 临床放射学模型实现了最高的AUC (0.908),在预测GGN增长方面表现优于其他模型.

结论:

• 多个肺GGN表现出惰的生长模式.
• 临床放射学模型在预测多个GGN的生长方面表现出卓越的准确性.
• 该模型有助于更精确地识别需要密切监测或早期干预的GGN.