基于CT的深度学习的多中心研究,用于预测清细胞细胞癌的手术前T分期和TNM分期

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:

• 清晰细胞细胞癌 (ccRCC) 的准确的手术前分期对于患者的诊断和治疗计划至关重要.
• 目前的分期依赖于主观放射科医生的解释,导致观察者之间的显著变化.
• 在ccRCC管理中,开发客观的,自动化的分期方法是关键的未满足需求.

研究的目的:

• 设计和验证两种深度学习模型,用于使用CT图像进行手术前T和TNM分期ccRCC.
• 评估这些人工智能驱动模型的临床实用性和可解释性.

主要方法:

• 从五个医疗中心的1,148名ccRCC患者的CT数据回顾性收集.
• 为T和TNM阶段化开发两个3D变压器-ResNet (TR-Net) 深度学习模型.
• 在多个独立数据集中进行外部验证,并使用微AUC,宏AUC和精度进行评估.

主要成果:

• 在T分期模型中,在外部验证集中,微AUC达到0.954,ACC达到0.869,实现了高性能.
• TNM分期模型表现出强的性能,微AUC高达0.935和ACC高达0.856.
• 模型对于高级瘤子类 (T3+/T4,TNM III) 显示中等性能,但Grad-CAM热图增强了解释性,人机协作提高了诊断准确性.

结论:

• 基于CT的3D TR-Net模型为手术前的ccRCC分期提供了可接受的整体性能.
• 可解释的输出和协作潜力使这些模型成为临床医生有价值的决策支持工具.
• 为了提高ccRCC高级阶段的精度,需要进一步优化.