一种基于变压器的深度学习模型,用于在喉状细胞癌中进行淋巴血管入侵的术前预测:一项多中心研究
Helei Yan1,2,3,4, Jiaxin Yao1,2,3,4, Jing Hou5
1Department of Otolaryngology-Head and Neck Surgery, Xiangya Hospital, Central South University, Changsha, Hunan, People's Republic of China.
International journal of surgery (London, England)
|November 13, 2025
概括
使用CT扫描的基于变压器的放射学模型显示,在手术前预测喉状细胞癌 (LSCC) 中的淋巴血管入侵 (LVI) 是有前途的. 这种先进的模型提供了改进的诊断性能,帮助临床医生在治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 喉平细胞癌 (LSCC) 在临床实践中构成了重大挑战.
- 精确的淋巴血管侵袭 (LVI) 的术前预测对于LSCC患者的有效治疗计划至关重要.
研究的目的:
- 评估和比较来自对比增强计算机断层扫描 (CT) 的放射学模型的疗效,用于LSCC中LVI的非侵入性手术前预测.
- 评估传统放射学,深度学习放射学 (DLR) 和基于混合变压器的模型的性能.
主要方法:
- 一个多中心的回顾性研究,涉及1024名LSCC患者.
- 从CT图像中提取放射学和深度学习特征,然后使用LASSO回归进行特征选择.
- 后勤回归,随机森林,多层感知子和基于变压器的混合模型的开发.
主要成果:
- 变压器混合模型在训练,内部验证和外部测试集中实现了卓越的预测性能,AUC值从0.833到0.881.
- 深度学习放射学 (DLR) 模型,特别是随机森林变体,也表现出强的表现 (AUC:0.812-0.867).
- 决策曲线分析,NRI和IDI偏好了变压器模型,表明其更高的临床效用.
结论:
- 使用CT成像的放射学模型对于LSCC中LVI的非侵入性手术前预测具有显著的潜力.
- 开发的变压器混合型号显示了最高的诊断准确度,提供了有价值的手术前决策支持工具.
- 这种人工智能驱动的方法可以帮助临床医生优化LSCC患者的治疗策略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
04:23A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
2.3K