用ResNet使用CT成像对恶性膜间皮瘤的分类和生存预测
Meng Zhou1,2, Minghua Li2, Qian Cao1,3
1Zhejiang Cancer Hospital, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, 310022, Hangzhou, China, Zhejiang.
European radiology
|October 31, 2025
概括
一个深度学习模型使用CT扫描准确地区分恶性多叶膜间皮瘤 (MPM) 和转移性多叶膜疾病 (MPD). 该模型还预测了MPM患者的生存率,为诊断和预后提供了有价值的工具.
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:
- 恶性多层层层瘤 (MPM) 的诊断是具有挑战性的,因为它是罕见的,并与转移性多层疾病 (MPD) 重叠.
- 准确的差异化和预后预测对于有效的患者管理至关重要.
- 目前的诊断方法可能是侵入性的和耗时的.
研究的目的:
- 开发和验证一个深度学习模型,使用CT扫描来区分MPM和MPD.
- 评估深度学习模型的预后能力,以预测MPM患者的整体存活率.
- 将深度学习模型的性能与临床基准进行比较.
主要方法:
- 一项回顾性研究使用了385名患者 (85名MPM,290名MPD) 的CT扫描.
- 训练了一个ResNet-3D-18模型来区分MPM和MPD,并对独立队列进行验证.
- 通过使用随机森林分类器,分析了深度学习特征的预后效用.
主要成果:
- ResNet-3D-18模型在区分MPM和MPD方面取得了很高的准确性,AUC为0.972 (训练) 和0.840 (测试).
- 与临床模型 (0.533) 相比,深度学习方法在测试队列中显示出更高的灵敏度 (0.867).
- 随机森林分类器预测了MPM总体存活率,AUC为0.829.
结论:
- 该ResNet-3D-18模型有效地区分了MPM与MPD.
- 通过深度学习识别的形态特征包含MPM的预后信息.
- 这种人工智能驱动的方法为MPM的早期诊断和个性化预后提供了一个非侵入性的工具.
