基于变压器的深度学习模型的开发和验证,用于使用FDG PET/CT图像预测非小细胞肺癌的远程转移

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:

• 在非小细胞肺癌 (NSCLC) 中预测远程转移 (DM) 对治疗计划至关重要.
• F-FDG PET/CT成像为癌症评估提供了有价值的数据.

研究的目的:

• 开发和验证混合深度学习 (DL) 模型,结合卷积神经网络 (CNN) 和视觉转换器 (ViT) 架构.
• 使用F-FDG PET/CT图像预测NSCLC患者的远程转移 (DM).

主要方法:

• 对167名新诊断的,未经治疗的NSCLC患者进行PET/CT扫描后期分析.
• 使用 CNN 和 ViT 架构提取 DL 特性.
• 模型评估使用接收机运行特征 (ROC) 分析和曲线下的面积 (AUC).

主要成果:

• 基于ViT的DL模型在验证队列中实现了CT (0.830) 和PET/CT (0.882) 特征的高AUC.
• 综合PET/CT模型的性能优于仅使用PET或CT特征的模型.
• 与CNN (ResNet 50) 模型 (AUC 0.752) 相比,混合模型表现出更高的性能.

结论:

• 基于ViT的DL模型显示了在NSCLC患者中预测DM的显著潜力.
• 这种预测能力可以帮助开发个性化治疗策略.
• 建议在更大的前性研究中进一步验证.