开发一种深度学习模型,用于T1N0胃癌诊断,使用手术前CT图像中的2.5D放射性数据
Jingyang He1, Jingli Xu1,2, Wujie Chen3,4,5
1Department of Gastric Surgery, Zhejiang Cancer Hospital, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Hangzhou, Zhejiang, China.
NPJ precision oncology
|July 22, 2025
概括
这项研究开发了一种深度学习模型,用于早期检测胃癌 (EGC). 该模型使用CT图像和新的AI技术准确地区分了没有淋巴结转移的EGC.
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:
- 早期胃癌 (EGC) 的准确手术前分期对有效治疗至关重要.
- 区分没有淋巴结转移的EGC (pT1N0 GC) 对手术规划和患者的结果至关重要.
研究的目的:
- 开发和验证一个深度学习模型,用于精确的 pT1N0 GC 的手术前分期.
- 利用门静脉阶段CT图像和新的AI方法来提高诊断准确度.
主要方法:
- 包括来自两个中国医疗中心的3164名胃癌患者 (2006-2019).
- 用ResNet101和XGBoost模型应用2.5D放射性数据和多实例学习 (MIL).
- 基于2.5D MIL的深度学习预测模型的开发.
主要成果:
- 基于2.5D MIL的深度学习模型在诊断pT1N0 GC方面取得了令人满意的表现.
- 与传统的放射学和临床模型相比,开发的模型显示出明显优越的预测性能.
- 该模型为pT1N0GC患者的个性化治疗选择提供了有价值的信息.
结论:
- 一个新的深度学习模型集成2.5D放射学和MIL有效地诊断pT1N0GC.
- 这种人工智能驱动的方法可以提高早期胃癌的术前分期准确度.
- 这些发现支持在EGC中使用深度学习进行个性化治疗策略.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
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