支持使用深度学习进行手术内边缘评估,用于乳腺瘤切除术中自动瘤细分的微-PET-CT

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 完整的瘤切除对于治疗性乳腺癌手术至关重要,以防止复发.
• 使用[18F]FDG微PET-CT进行手术内边缘评估 (IMA) 显示了改善手术结果的潜力.
• 对于有效的IMA来说,精确地划分了瘤样本中的侵入性癌症,这是必要的.

研究的目的:

• 开发和验证一种AI模型,用于在[18F]FDG微PET-CT隆瘤切除图像中划分入侵性癌症.
• 与基因病理学和人类解释相比,评估模型在预测边际状态方面的表现.
• 推进人工智能辅助IMA在乳腺癌手术中的决策支持系统的开发.

主要方法:

• 一个2D残留U-Net模型被训练在53个乳腺癌隆瘤切除图像上,具有由组织病理学定义的瘤细分.
• 该模型经过了五次交叉验证,在瘤细分方面达到0.71±0.20的Dice相似系数.
• 创建了一个整体模型来细分瘤并预测边际状态,评估了31个独立的病例.

主要成果:

• 人工智能模型在微PET-CT图像中实现了0.71±0.20的Dice相似系数,用于细分侵入性癌症.
• 整体模型预测了在单独的测试集上F1得分为84%的边际状态.
• 人工智能模型在预测边际状态方面的表现与七名人类医生的平均表现非常接近.

结论:

• 开发的AI模型在划分乳腺癌瘤和预测微PET-CT隆瘤切除标本的边缘状态方面表现出高准确性.
• 这种由人工智能驱动的方法显示出作为一个决策支持工具的显著前景,以提高乳腺癌手术中的手术内边缘评估.
• 这些发现支持临床采用人工智能辅助的微PET-CT来改善手术内边际评估,这可能导致更好的外科治疗结果和减少复发率.