基于超声波的深度学习放射学预测宫淋巴结转移在主要的唾液腺癌

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:

• 宫淋巴结转移 (CLNM) 显著影响主要唾液腺癌 (MSGCs) 的预后和治疗.
• 准确的非侵入性预测CLNM对于手术规划和患者管理至关重要.
• 目前在MSGC中对CLNM的非侵入性预测方法存在局限性.

研究的目的:

• 开发和验证使用超声波 (美国) 进行深度学习 (DL) 放射学模型,用于MSGC中CLNM的非侵入性预测.
• 评估模型在手术前识别CLNM方面的性能.
• 支持个性化手术方法,减少基于精确转移预测的干预措施.

主要方法:

• 来自四个医疗中心的214名MSGC患者的队列被使用,分为培训和验证组.
• 从手术前的美国图像中提取了放射和DL特征.
• 开发并验证了一种整合临床,美国,放射学和DL特征的后勤回归模型.

主要成果:

• 开发的模型在预测CLNM方面表现强,在验证队列中实现了0.962的接收器运行特征曲线 (AUC) 下的面积.
• 确定了包括患者年龄,瘤边缘,化和美国报告的CLN状态在内的关键特征.
• 最终的模型显示了高精度 (0.886),精度 (0.762),回忆 (0.842) 和F1得分 (0.8).

结论:

• 一个基于超声波的深度学习放射学模型准确地预测MSGCs的手术前CLNM.
• 这种非侵入性方法可以指导MSGC患者的个性化治疗策略.
• 该模型有助于优化手术决策,并可能避免不必要的干预.