GAST-NET:一种多模式和多任务的深度学习框架,用于术前预测周围神经侵入和胃癌的预后风险

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

背景情况:

• 胃癌周围神经侵入 (GC-PNI) 的术前预测传统上依赖于瘤特征和临床数据.
• 非瘤衍生的多式特征在GC-PNI预测中的作用仍然在很大程度上未被探索.

研究的目的:

• 开发和验证一个深度学习框架 (GAST-NET),用于预测GC-PNI和预后风险.
• 研究整合瘤CT特征,内脏脂肪组织特征和临床变量的实用性.

主要方法:

• 一个多模式,多任务的深度学习框架 (GAST-NET) 使用来自777名患者的数据在三个医疗中心开发.
• 该框架整合了瘤CT特征,内脏脂肪组织特征和临床变量.
• 使用自适应多尺度特征融合模块 (AMFM) 和跨尺度融合聚合 (CSF聚合) 来增强特征表示.

主要成果:

• 在内部和外部验证队列中,GAST-NET实现了PNI预测的高AUC (0.923,0.868,0.871).
• 该模型在预后风险预测方面表现强 (AUC=0.873).
• 与放射科医生相比,GAST-NET在作为决策支持工具时提高了诊断准确度,减少了错误分类.

结论:

• GAST-NET显示显著的概括性和临床实用性,用于预测PNI和胃癌的预后.
• 内脏脂肪组织特征为PNI预测提供了有价值的补充信息,增强了传统瘤特征.