基于CT放射学和深度学习的附着围脂肪预测模型的开发和验证
Xiaobo Ding1, Hongcheng Liu2, Xu Li3
1Department of Radiology, First Hospital of Jilin University, Changchun, 130021, China.
World journal of urology
|October 29, 2025
概括
这项研究开发了一种使用CT放射学和深度学习的预测模型,用于在手术前识别需要子子囊解剖 (APF) 的患者. 该模型在预测脏瘤患者的APF方面表现强.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 对瘤特征进行准确的术前评估对于手术规划至关重要.
- 识别潜在的困难,例如需要进行子子囊切割 (APF),可以优化手术方法.
- 计算机断层扫描 (CT) 放射学和深度学习为非侵入性瘤特征提供了新的途径.
研究的目的:
- 开发和验证一个预测模型,用于手术前后脏瘤移位 (APF).
- 将计算机断层扫描 (CT) 放射学与深度学习集成为APF预测.
- 在独立的外部队列中评估模型的性能.
主要方法:
- 使用了瘤患者的多中心数据集.
- 用一个3D-UNet深度学习模型来对脏进行细分.
- 用后勤回归分析分析了放射学和临床特征,以预测APF.
主要成果:
- 开发的模型实现了高预测准确性,在培训和验证集中曲线下的面积 (AUC) 为0.95.
- 该模型在内部 (AUC=0.872) 和外部 (AUC=0.805) 测试集中显示出强大的性能.
- 对于细分,证实了高的观察者内部和观察者间可重复性 (Dice > 0.80).
结论:
- CT放射学与深度学习相结合,是预测瘤患者APF的有希望的工具.
- 这种方法可以帮助患有脏瘤的外科候选人进行术前规划.
- 该模型在独立队列中的验证支持其潜在的临床实用性.
