临床,病理和内镜数据的整合改善了早期胃癌中淋巴结转移的预测:一项回顾性多中心研究

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 准确的淋巴结转移 (LNM) 预测对于早期胃癌 (EGC) 治疗至关重要.
• 目前用于EGC的手术前LNM预测方法通常是不够的.

研究的目的:

• 开发和评估一个深度学习模型 (LNMate),用于在内镜下粘膜解剖 (ESD) 之前在EGC中预测LNM.
• 评估LNMate对内镜师诊断性能的影响.
• 创建和验证基于深度学习的内镜名谱 (DLEN) 来估计ESD后的LNM风险.

主要方法:

• 一个多中心的回顾性研究605个EGC患者接受ESD和/或手术.
• 开发和验证LNMate深度学习模型用于ESD前LNM预测.
• 在32名患者的组织样本上进行免疫组织化学 (IHC) 分析.
• 与eCura系统相比,构建和验证基于深度学习的内镜名录 (DLEN) 来进行ESD后LNM风险估计.

主要成果:

• LNMate的预测性能很高 (AUC为0.843-0.875).
• 通过LNMate的帮助,内镜师的诊断准确度提高了13.8% (特异性增加了0.17,P=0.03).
• IHC揭示了特定免疫细胞透和LNM状态之间的关联.
• DLEN显著优于eCura系统 (AUC 0.91对比0.71,P<0.01),减少了24.2%的过度手术,没有假阴性.

结论:

• 基于深度学习的智能系统在预测EGC的LNM方面表现出色.
• 该系统为ESD前规划中的内镜医生和ESD后决策中的外科医生提供了宝贵的决策支持.