基于超声波的深度学习息地放射学,用于预测甲状腺癌的术前局部进展和术后复发风险:一项多中心研究
Lu Wenwu1,2, Zhang Di1,2, Wei Wei1,2,3
1Department of Ultrasound, The First Affiliated Hospital of Anhui Medical University (Jixi Campus), Hefei, Anhui, China.
International journal of surgery (London, England)
|December 9, 2025
概括
深度学习放射学模型使用超声波准确预测局部晚期甲状腺癌 (LATC) 和复发风险. 这个工具有助于为甲状腺癌患者个性化治疗规划.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 局部晚期甲状腺癌 (LATC) 与甲状腺内癌 (ITC) 相比,具有更高的外科复杂性和更差的预后.
- 精确的手术前识别LATC对于优化患者管理至关重要.
- 这项研究的重点是开发使用深度学习和放射学的预测模型.
研究的目的:
- 开发基于深度学习的息地放射学 (DLH) 模型,用于预测LATC.
- 评估模型预测无复发生存率 (RFS) 的能力.
- 将DLH与临床变量集成到名图中,以提高预测能力.
主要方法:
- 在9个中心对1881名甲状腺癌患者进行了回顾性分析,包括培训,内部和外部测试队伍.
- 超声波细分了瘤区域,并分析了内和周子区域的放射性特征.
- 训练了一个基于深度学习的息地放射学 (DLH) 模型,并构建了一个临床放射学名图.
主要成果:
- DLH模型独立地预测了LATC和RFS (P<0.05).
- 在手术前的LATC识别中,名图表表显示出强的性能 (AUC为0.852内部,0.897外部).
- 对于RFS的显著预测因素包括DLH,瘤大小,手术方法和淋巴结转移数.
结论:
- 一个多中心DLH模型有效地从常规超声数据中预测LATC和RFS.
- 该模型显示了指导个性化甲状腺癌治疗策略的潜力.
- 建议在不同的环境中进行进一步验证和扩展后续跟踪.
