使用深度学习预测差异化甲状腺癌的肺转移中的131I吸收
Hongjun Song1, Manman Fei2, Haoyi Tao2
1Department of Nuclear Medicine, Shanghai Sixth People's Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Frontiers in endocrinology
|December 31, 2025
概括
一个新的深度卷积神经网络 (DCNN) 模型准确地预测了差异化甲状腺癌肺转移中-131的吸收. 该工具有助于识别将受益于放射性治疗的患者,提高治疗效率.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 在差异化甲状腺癌 (DTC) 肺转移中精确评估-131 (131I) 摄入量对于有效的放射性治疗至关重要.
- 预测I积累能力可以防止无效的治疗管理.
研究的目的:
- 开发一个深层卷积神经网络 (DCNN) 模型,用于在治疗前预测DTC肺转移中的I吸收.
- 为了提高患者选择放射性治疗.
主要方法:
- 一个回顾性,多中心队列研究,涉及DTC患者的肺转移.
- 胸部CT数据集被用于训练和验证ResNeSt50 DCNN模型.
- 使用AUC指标,将模型性能与Inception V3和ResNet50进行了比较.
主要成果:
- 在内部和外部验证数据集中,ResNeSt50模型实现了最高的预测性能.
- 获得的AUC为0.722 (内部),0.720 (外部1) 和0.731 (外部2).
- 该模型展示了对I摄入的强大预测能力.
结论:
- 开发了一种简单而强大的DCNN模型 (ResNeSt50),以预测DTC肺转移中的I吸收.
- 这种模型可以改善对可能从I治疗中受益的患者的查.
- 这些发现支持使用人工智能来优化DTC的放射性治疗策略.
