计算机断层扫描-病理学深度学习模型用于精确预测病理阶段IA肺腺癌在病理阶段的复发

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:

• 病理阶段IA肺腺癌 (LUAD) 显示了各种各样的术后结果.
• TNM分期系统对复发的预测能力有限.
• 需要准确的预后分层来实现个性化治疗.

研究的目的:

• 开发一个精确的深度学习模型,用于IA LUAD阶段的预后分层.
• 改进无复发生存率 (RFS) 的预测,超出目前的方法.

主要方法:

• 551名IA阶段的LUAD患者的回顾性分析.
• 开发了一个新的ResNet 3D-病理融合 (Res3D-PF) 模型.
• 整合手术前CT图像和IASLC分级,用于RFS预测.
• 使用ROC分析和多变量考克斯回归的性能评估.

主要成果:

• 与TNM分期和IASLC分级相比,Res3D-PF模型的预测性能优越 (AUC为0.837对比0.660和0.684).
• Res3D-PF被确定为一个独立的预后因素 (HR 15.772).
• 根据模型分层的高风险患者有显著减少的5年RFS (73.1%) 和更短的中位RFS (74.4个月).

结论:

• 一个CT-病理学深度学习模型 (Res3D-PF) 能够有效地预测在IA LUAD阶段的术后复发.
• 这个模型在预测准确性方面超过了传统的TNM分期和IASLC分级.
• 开发的模型为精密瘤学提供了个性化的风险分层.