基于CT的深度学习用于手术前预测清细胞癌的病理分级

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 细胞癌研究 细胞癌研究

背景情况:

• 准确的脏清细胞癌 (ccRCC) 的术前分类对于治疗规划至关重要.
• 目前的分级方法通常依赖于侵入性程序或缺乏精度.
• 深度学习为非侵入性诊断工具提供了潜力.

研究的目的:

• 开发和评估一个非侵入性手术前预测模型,用于世卫组织/ISUP对ccRCC的分级.
• 用四相CT图像来利用深度学习进行ccRCC分级.
• 评估优化深度学习模型的有效性.

主要方法:

• 一项回顾性研究包括158名ccRCC患者,数据分为培训,验证和测试集.
• 预先处理了四相CT图像,并最初使用ResNet34模型进行分级.
• 该模型使用SENet注意力机制进行了优化,创建了SE-ResNet34模型.

主要成果:

• ResNet34模型的准确度 (ACC) >0.8,其中对酶体阶段表现最好.
• 优化的SE-ResNet34模型表现出更好的性能:ACC增加到0.878,低级AUC增加到0.929,高级AUC增加到0.927.
• 基于细胞阶段CT图像的SE-ResNet34模型显示出出色的分化能力.

结论:

• 该SE-ResNet34模型有效地区分了WHO/ISUP使用非侵入性CT成像的ccRCC等级.
• 这种模型作为一个有前途的辅助工具,用于手术前的病理分级预测.
• 需要进一步验证以确认该模型的稳定性和多中心适用性.