固体成分体积比和的增量预后值,用于手术后的病理阶段IA侵袭性肺腺癌

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 在病理阶段IA侵袭性肺腺癌 (LUAD) 中术后复发的风险因素尚未完全理解.
• 准确预测复发对于优化早期LUAD治疗策略至关重要.

研究的目的:

• 评估基于深度学习 (DL) 的定量成像参数的增量预后价值,用于预测病态阶段IA入侵性LUAD的复发.
• 将DL衍生参数的预测性能与传统的手动测量进行比较.

主要方法:

• 使用深度学习软件评估瘤体积,固体组件体积和固体组件体积百分比 (SV%),使用各种密度值.
• 取出了放射学参数,包括方差,斜率,曲率,,和球性.
• 采用临床,病理和DL衍生参数的竞争风险模型被构建并使用多个统计指标进行验证.

主要成果:

• 与手动测量相比,基于深度学习的定量参数显示出优异的预测性能.
• 固体成分体积百分比与0HU值 (SV_{0 HU}%) 是最强的DL衍生的复发预测因素.
• 病理阶段,组织学亚型,血管/神经外围侵袭,通过空气空间传播,SV_{0 HU}%,被确定为复发的独立预测因素.

结论:

• 基于深度学习的定量参数显著提高了病理阶段IA侵入性LUAD复发的预测.
• SV_0HU%和提供增量预后价值,有助于早期LUAD患者的风险分层.
• 这些发现支持将DL衍生的放射性特征纳入临床实践,以改善患者管理.