使用基于深度学习的放射学模型和自动细分的深度学习模型在结直肠癌中预先预测甲时性肝转移:一项多中心研究
Wei Guo1,2, Chang Rong1, Datian Su1
1Department of Radiology, The First Affiliated Hospital of Anhui Medical University, Shushan District, No. 218 Jixi Road, Hefei, Anhui, 230022, People's Republic of China.
European journal of medical research
|March 2, 2026
概括
这项研究开发了一种临床放射学名图,用于预测结直肠癌 (CRC) 患者的甲时性肝转移 (MLM). 综合模型准确地识别高风险患者,帮助个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗信息学 医疗信息学
背景情况:
- 甲时性肝转移 (MLM) 是结直肠癌 (CRC) 管理的一个重大挑战.
- 准确预测MLM风险对于优化治疗策略和患者结果至关重要.
研究的目的:
- 开发和验证一个综合的临床放射学名图,用于预测大肠直肠癌 (CRC) 患者肝转移 (MLM) 的风险.
- 评估基于深度学习的细分在划分CRC和肝脏区域的表现.
主要方法:
- 一个多中心的回顾性研究,涉及518名CRC患者.
- nnU-Net用于CT图像的自动细分,然后使用LASSO回归进行放射性特征提取和选择.
- 开发和验证临床,放射性和联合临床放射性模型,使用AUC,C指数和校准进行评估.
主要成果:
- nnU-Net实现了CRC和肝脏区域的高细分精度.
- 独立预测因素包括AFP,淋巴结数,围神经入侵和瘤结节.
- 结合的临床-放射性模型显示出优异的预测性能 (AUC: 0.972培训,0.875验证,0.814测试) 与良好的校准.
结论:
- 基于深度学习的自动细分能够准确地划分CRC和肝脏.
- 开发的临床放射性诺米克图准确地识别出患有MLM高风险的患者.
- 该工具支持临床医生优化治疗策略,并为CRC患者个性化治疗计划.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
828
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.9K