基于CT的深度学习模型在术前预测部分切除术中的并发症和风险等级方面优于传统的解剖学分类模型

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 泌尿病学和脏病学
• 在瘤学瘤学.

背景情况:

• 部分切除术是对瘤的标准治疗方法.
• 预测术后并发症和风险分层对于患者管理至关重要.
• 传统的解剖学分类模型在准确性上有局限性.

研究的目的:

• 开发和验证一个深度学习 (DL) 模型,整合CT放射学和临床特征,用于预测部分切除术中的术后并发症和风险等级.
• 将DL模型的性能与传统的RENAL和PADUA评分系统进行比较.

主要方法:

• 使用CT放射学 (nnU-Net,pyradiomics) 和1214名患者的临床数据开发了一个DL模型.
• 基于RENAL和PADUA分数的后勤回归模型被创建用于比较.
• 对一组260名患者进行了外部验证,以评估可概括性.

主要成果:

• 对于预测并发症,DL模型实现了0.87的AUC,明显优于RENAL (0.68) 和PADUA (0.69) 模型 (p < 0.001).
• 对于风险分级,DL模型在没有风险 (AUC 0.83) 和低风险 (AUC 0.79) 组中表现优于RENAL/PADUA.
• 在中度和高风险组中没有观察到显著差异. 通过外部验证,AUC值为0.83.

结论:

• 基于CT的DL模型在预测部分切除术的无风险和低风险患者的并发症和风险等级方面表现卓越.
• 该模型为改善部分切除术风险分层和术后规划提供了一个有希望的工具.