医生指导的深度学习模型用于评估胸膜上皮质瘤体积
Nirmal Choradia1, Nathan Lay2, Alex Chen2
1National Cancer Institute, Center for Cancer Research, Thoracic and Gastrointestinal Malignancies Branch, Bethesda, Maryland, United States.
Journal of medical imaging (Bellingham, Wash.)
|August 14, 2025
概括
一个新的AI模型为胸膜上皮瘤 (TETs) 提供了准确的体积评估,改进了传统的单维测量. 这种深度学习方法可以提高晚期或转移性TET患者的瘤反应评估.
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:
- 固体瘤当前响应评估标准 (RECIST) 使用一维测量,这对于复杂的瘤形态来说是不够的.
- 胸膜上皮瘤 (TETs) 经常呈现曲线形状,特别是当转移到多层时,挑战了准确的RECIST评估.
- 准确的体积评估对于评估TETs治疗反应至关重要.
研究的目的:
- 开发和验证医生指导的深度学习模型,用于高效和可重复的胸膜上皮瘤 (TET) 的体积测量评估.
- 提高晚期或转移性TET患者瘤反应评估的准确性.
主要方法:
- 一项回顾性研究使用了81名TET患者的231个CT扫描.
- 在CT扫描上手动概述瘤的基础真相的开发.
- 使用子相似系数 (DSC),绝对体积差异和相对体积差异在独立测试集上对人工智能 (AI) 模型性能进行量化.
主要成果:
- 人工智能模型在由医生识别的瘤界限框指导时,每次扫描实现了0.77的整体DSC.
- 人工智能和地面真相测量之间的平均绝对体积差异为16.1厘米3.
- 平均相对体积差异为22%,证明了该模型在体积评估中的准确性.
结论:
- 一个强大的注释工作流程和人工智能细分模型已成功开发为先进的TET.
- 人工智能模型提供了高效和可重复的体积评估,增强了结果评估.
- 将其与RECIST测量一起集成到图像存档和通信系统中,可以改善转移性TET患者的护理.


