一种经过临床验证的3D深度学习方法,用于量化胰腺癌中的血管入侵

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 血管侵袭评估对于胰腺管道腺癌 (PDAC) 的手术规划至关重要.
• 目前基于CT的评估是主观的,可能会错过复杂的3D瘤血管相互作用.
• 准确的手术前评估需要详细了解船只参与的情况.

研究的目的:

• 开发和验证一个自动化的深度学习框架,PAN-VIQ (胰腺血管入侵量化器),用于量化PDAC中的血管入侵.
• 与人类放射科医生相比,评估PAN-VIQ的性能.

主要方法:

• PAN-VIQ利用深度学习,从对比度增强的CT扫描中对胰腺瘤和五个关键血管 (腹腔动脉,普通肝动脉,上层中枢动脉,上层中枢静脉,门脉) 进行细分.
• 该框架使用3D封闭角度量化血管干扰.
• 该模型在2130个病例上进行了训练和验证,在202名患者上进行了前性测试,并获得了外部验证.

主要成果:

• 外部验证表明PAN-VIQ准确度超过90%.
• 在前性评估中,PAN-VIQ的表现优于初级放射科医生,在准确性和回忆方面与高级放射科医生相匹配.
• 人工智能框架成功量化了瘤血管相互作用和3D血管包围.

结论:

• PAN-VIQ提供了一种标准化和客观的方法来评估PDAC中的血管侵袭.
• 深度学习框架有可能减少放射学评估中观察者之间的变化.
• PAN-VIQ可以帮助改善胰腺癌的手术规划和患者的治疗结果.