早期NSCLC进展的风险分层:具有大小模型协同作用的联合学习框架
Zijun Huang1, Bao Feng2,3, Yehang Chen2
1School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin, China.
Frontiers in oncology
|January 1, 2026
概括
一个新的深度学习模型,FedCPI,准确地预测非小细胞肺癌 (NSCLC) 的进展. 这种工具有助于临床决策,并减少早期肺癌患者的过度治疗.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 准确的非小细胞肺癌 (NSCLC) 进展预测对于患者的管理和预后至关重要.
- 过度处理和过少处理带来了重大风险,强调了需要精确的风险分层.
- 目前的方法可能缺乏在早期NSCLC中最佳临床决策所需的准确性.
研究的目的:
- 为非小细胞肺癌 (NSCLC) 开发一个精确的风险分层系统.
- 提高预测准确度,并使NSCLC患者的分层管理成为可能.
- 验证拟议框架在多个任务中的多功能性和稳定性.
主要方法:
- 在四个中心对926名切除I-IIA期NSCLC患者进行了回顾性研究.
- 开发一个多中心智能风险分层模型:联合跨规模的共同-个人-交互式学习 (FedCPI).
- 使用AUC,精度,灵敏度,特异性,PPV,NPV,五倍交叉验证和决策曲线分析 (DCA) 的评估;对于胃癌和子宫内膜癌的交叉任务验证.
主要成果:
- FedCPI的表现优于临床分层和联合学习基线 (DeLong测试,p <0.05).
- 在早期NSCLC中达到AUC高达0.9255和ACC高达0.8909,与竞争型号相比取得了显著的收益.
- 在预测胃癌复发和子宫内膜癌透方面表现出色,验证了该方法的有效性.
结论:
- 基于深度学习的FedCPI框架为早期肺癌风险分层提供了一个非侵入性,准确和可靠的工具.
- 该方法在胃癌和子宫内膜癌临床任务的独立验证中表现出色.
- 通过FedCPI提高诊断精度,有可能优化临床决策并减少过度治疗负担.
