深度学习放射学诺米克预测喉状细胞癌的淋巴结转移
Yun Liang1,2, Min He1, Wenqing Chen1,2
1Department of Radiology, First Hospital of Shanxi Medical University, Taiyuan, China.
Frontiers in oncology
|August 28, 2025
概括
一种结合深度学习放射学和临床成像特征的新型诺基图能够准确地识别喉状细胞癌的淋巴结转移. 这种工具改善了LSCC患者的非侵入性分期和个性化治疗.
科学领域:
- 癌症学
- 放射学
- 医学成像
背景情况:
- 在喉状细胞癌 (LSCC) 中的淋巴结转移与生存率低下有关.
- 目前的成像方法如CT在检测LNM方面存在局限性.
- 结合传统的放射学和深度学习有希望, 但需要进一步的研究.
研究的目的:
- 为改善LSCC患者的LNM识别开发预测性名录.
- 将深度学习放射学与CT扫描中的临床成像功能整合起来.
- 增强非侵入性分期和个性化治疗策略.
主要方法:
- 对235名LSCC患者 (164名培训,71名验证) 的回顾性分析.
- 从CT图像中提取放射性特征并开发7种放射性模型.
- 集成ResNet50深度学习功能以创建深度学习放射学 (DLR) 模型.
- 将最佳DLR模型与临床成像特征结合起来,形成预测性名录.
主要成果:
- 诺米图的AUC值为0. 934 (训练) 和0. 864 (验证),比临床成像,常规放射学和DLR模型的AUC值更高.
- 与其他方法相比,nomogram在预测LNM方面的准确性显著提高.
- 决策曲线分析证实了诺姆图的卓越临床实用性.
结论:
- 开发的诺米图准确地识别了LSCC患者的LNM.
- 这种工具为非侵入性淋巴结分期提供了宝贵的见解.
- 该名录支持LSCC个性化治疗方法.
