2.5D深度学习和机器学习用于PET/CT上的分辨DLBCL和IDC
Fei Liu1,2,3,4,5, Wen Chen1,2,3,4,5,6, Jianping Zhang1,2,3,4,5
1Department of Nuclear Medicine, Fudan University Shanghai Cancer Center, Shanghai 200032, China.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
这项研究使用F-FDG PET/CT成像和机器学习开发了一种自动诊断模型,以准确区分扩散型大B细胞淋巴瘤 (DLBCL) 和侵入性导管癌 (IDC).
科学领域:
- 癌症学
- 放射学
- 人工智能
背景情况:
- 精确区分扩散型大B细胞淋巴瘤 (DLBCL) 和侵入性管道癌 (IDC) 对于患者的治疗至关重要.
- 目前的诊断方法通常依赖于侵入性病理学测试.
- 需要具有可比病理学准确性的非侵入性诊断模型.
研究的目的:
- 使用F-FDG PET/CT建立DLBCL和IDC的非侵入性诊断模型.
- 确定可靠的数字成像生物标志物来分类这两种情况.
- 将机器学习和深度学习模型的性能与病理学标准进行比较.
主要方法:
- 从279名病理确诊的DLBCL和IDC患者中使用了386个乳腺结节,这些患者接受了F- FDG PET/ CT.
- 使用2.5D深度学习和机器学习技术进行特征提取和模型开发.
- 在内部和外部队列中验证的模型,用AUC和混矩阵评估性能.
- 使用SHAP和LIME技术解释模型决策.
主要成果:
- 最佳模型PT_TDC_SVM实现了高精度 (0.980内部,0.975外部) 和AUC (0.992内部,0.996外部).
- 最好的成像生物标志物PET_LBP-2D_gldm_DependenceEntropy的平均精度为0. 923 (内部) 和0. 937 (外部).
- 开发的自动化模型显示了准确的DLBCL和IDC分类的巨大潜力.
结论:
- 使用F-FDG PET/CT成像成功开发了一种用于区分DLBCL和IDC的创新自动化模型.
- 确定了可靠的数字成像生物标志物,提供了有前途的非侵入性诊断方法.
- 这些发现表明,这些人工智能驱动的模型有可能在某些情况下补充甚至取代传统的病理学测试.
