在早期肺腺癌中预测淋巴血管入侵,使用基于人工智能的放射学

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
• 生物标志物 生物标志物

背景情况:

• 淋巴血管侵袭 (LVI) 是早期肺腺癌的关键预后因素,与较差的生存结果有关.
• 准确预测LVI对于指导治疗决策和改善早期肺癌患者管理至关重要.

研究的目的:

• 评估基于人工智能 (AI) 的放射学分析计算机断层扫描 (CT) 图像的有效性,以预测0-I期肺腺癌的淋巴血管侵入 (LVI).
• 研究将放射学数据与血清微RNA (miR) -30d水平相结合的附加值,以提高LVI预测.

主要方法:

• 基于人工智能的放射学使用修改后的U-Net进行细分和VGG-16卷积神经网络用于对1265名患者的CT图像进行LVI预测.
• 基于35个成像特征的风险评分 (RS) 的开发在衍生队列 (840名患者) 中,并在独立队列 (425名患者) 中进行验证.
• 在47个案例中分析了细胞外囊 (EV) 衍生的miR-30d水平,以评估综合方法的预测性能.

主要成果:

• 基于人工智能的放射学在预测LVI方面取得了很高的准确性,风险得分在导出队列中显示了0.899的曲线下面的区域.
• 风险评分在导出 (灵敏度84.8%,特异性83.7%,准确度83.9%) 和验证 (灵敏度82.3%,特异性79.4%,准确度80.5%) 两组表现良好.
• 综合方法将放射学与EV衍生的miR-30d水平相结合,进一步改善了LVI预测 (灵敏度93.3%,特异性70.5%,精度85.1%).

结论:

• 基于人工智能的放射学是预测早期肺腺癌LVI的高效工具,开发的风险得分具有显著的临床潜力.
• 集成EV衍生的miR-30d水平,在与放射学数据相结合时,适度提高LVI的预测准确性.