2.5D基于深度学习的预测病理分级的清细胞细胞癌使用对比增强CT:一个多中心研究
Zi Yang1, Haitao Jiang2, Shuai Shan3
1School of Automation, Hangzhou Dianzi University, Hangzhou 310018, P.R. China (Z.Y., Q.K., Y.Z.).
Academic radiology
|July 19, 2025
概括
一个新的2.5D深度学习模型使用动脉相增强CT扫描准确预测清细胞细胞癌 (ccRCC) 的病理分级. 这种先进的模型在2D和放射学方法中表现出卓越的性能,有助于临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 清细胞细胞癌 (ccRCC) 的分级对于治疗计划至关重要.
- 准确的ccRCC病理分级的非侵入性预测仍然是一个临床挑战.
- 深度学习有可能提高细胞癌的诊断准确性.
研究的目的:
- 开发和验证用于预测ccRCC病理分级的深度学习模型.
- 为了利用动脉相增强计算机断层扫描 (CT) 成像用于模型开发.
- 为了比较基于2D,2.5D和放射学模型的性能.
主要方法:
- 五家医院的564名ccRCC患者CT数据的回顾性分析.
- 开发2D,2.5D (三片输入) 和基于放射学的多层感知子 (MLP) 模型.
- 使用内部和外部测试集与包括AUC,精度和灵敏度在内的评估指标进行模型验证.
主要成果:
- 与2D和MLP模型相比,2.5D深度学习模型表现出卓越的性能.
- 2.5D模型在培训,内部和外部验证集中实现了高AUC (0.849-0.959).
- 在外部验证中,与MLP模型相比,在2.5D模型中观察到AUC和准确性的显著改善.
结论:
- 2.5D深度学习模型有效地预测了世卫组织/ISUP对ccRCC的分级.
- 动脉相增强CT与2.5D模型相结合,显示出非侵入性ccRCC分级的前景.
- 这种深度学习方法可以增强ccRCC的病理评估.
