一个基于CT的2.5D深度学习模型用于胃癌的手术前T分期:一项回顾性多中心研究

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 胃癌研究 胃癌研究

背景情况:

• 准确的手术前T分期对于胃癌 (GC) 治疗计划和预后至关重要.
• 目前的成像方法在精确确定瘤深度方面存在局限性.

研究的目的:

• 开发和验证一个2.5D多角度深度学习 (MADL) 模型,用于GC的手术前T阶段.
• 与放射科医生相比,评估模型的诊断性能.
• 探索该模型在预测患者生存结果方面的潜力.

主要方法:

• 来自四个中心的GC数据集的回顾性分析.
• 使用九个2D切片器整合CT图像,从横向,斜向和冠状视图的三个角度 (0°,±45°) 跨越.
• 在2.5D MADL模型和放射科医生之间比较诊断性能 (准确度,灵敏度,特异性,F1得分).
• 使用卡普兰-梅尔分析和多变量考克斯回归的预后潜力的评估.

主要成果:

• 2.5D MADL模型在外部测试组中表现出色的T阶段性能 (AUC T1-T4: 0.962, 0.722, 0.913, 0.962).
• 该模型在T1分期的精度 (95%vs. 83%),灵敏度 (75%vs. 12%) 和F1得分 (86%vs. 22%) 中超过了放射科医生.
• 生存分析显示,高风险和低风险组之间存在显著差异 (P<0.001),高风险患者的生存时间较短 (HR=1.632).

结论:

• 2.5D MADL模型为GC提供了准确和可靠的手术前T分期.
• 该模型的性能可与放射科医生相美,对于早期疾病的精度更高.
• 2.5D MADL模型在预测GC患者存活率方面表现有前途.