基于CT的对比增强深度学习和息地放射学,用于分析口腔状细胞癌的预测能力
Qilin Liu1, Zhuang Liang1, Xiaoshuang Qi1
1Department Oral & Maxillofacial surgery, The Second Hospital of Dalian Medical University, Dalian, Medical University, Dalian City, Liaoning Province, China.
International dental journal
|July 25, 2025
概括
一个新的息地临床模型准确地预测了宫淋巴结转移和口腔状细胞癌 (OSCC) 的病理亚型. 这种综合方法提高了口腔癌患者的预后评估.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 口腔状细胞癌 (OSCC) 是一种常见的恶性瘤.
- 准确预测宫淋巴结转移 (CLNM) 和病理亚型对于治疗规划和预后至关重要.
- 当前的预测方法有其局限性.
研究的目的:
- 将深度学习 (DL) 和息地分析模型进行比较,用于使用对比增强CT (CECT) 预测OSCC中的CLNM和病理亚型.
- 评估结合临床和息地分析模型的性能.
主要方法:
- 来自132名OSCC患者的CECT图像的回顾性分析.
- 使用卷积神经网络 (CNN) 开发DL模型.
- 通过完全连接的神经网络 (FCNN) 将CECT图像分为息地使用K-means集群和特征选择,用于息地分析模型.
- 基于九个临床特征构建一个临床模型.
- 使用接收器运行特征 (ROC) 曲线对预测性性能进行评估.
主要成果:
- 综合临床+息地模型的AUC为0.97的CLNM预测和0.96的病理亚型预测.
- 在DL模型中,CLNM预测的AUC为0.83,病理亚型分类的AUC为0.91.
- 仅仅临床模型就实现了0.94的AUC,用于CLNM预测.
结论:
- 综合性息地临床模型与单个模型相比,显示出优越的预测性能.
- 将息地分析与临床特征相结合,为OSCC的手术前预后评估提供了一个有希望的,准确的方法.
- 这种综合模型可以帮助临床医生改善口腔癌患者的治疗.
