在子宫内膜癌中进行深度肌肉膜侵袭的术前鉴定:使用视觉基础模型增强的多式联络深度学习框架进行多中心MRI研究
Peijun Li1, Ximiao Wang2, Yuan Chen3
1Department of Medical Imaging Center, The First Affiliated Hospital of Jinan University, Guangzhou, China; Department of Radiology, Jiangmen Central Hospital, Jiangmen, China.
概括
一个新的视觉基金会模型增强的多式模式深度学习放射学 (VFM-MDLR) 框架准确地预测了子宫内膜癌的深度肌体入侵. 这种人工智能工具与放射科医生的表现相匹配,有助于个性化手术治疗决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确预测深层肌肉膜侵袭 (DMI) 对于指导子宫内膜癌 (EC) 手术治疗至关重要.
- 目前的方法在非侵入性评估DMI时可能存在局限性.
- 整合多式联运数据可能会提高诊断准确度.
研究的目的:
- 开发和验证一个视觉基金会模型增强的多式模式深度学习放射学 (VFM-MDLR) 框架.
- 将MRI成像与临床病理信息相结合,用于EC的非侵入性DMI预测.
- 评估VFM-MDLR模型的性能与经验丰富的放射科医生相比.
主要方法:
- 一个回顾性多中心研究,涉及1376名EC患者.
- 使用两个MRI序列 (CE-T1WI和T2WI) 与GKTH和CSGA模块开发一个VFM-MDLR模型.
- 集成深度学习签名 (VFM-DKF) 与临床病理变量.
- 在四个队列中进行外部验证,并使用Grad-CAM和SHAP进行解释性分析.
主要成果:
- 结合年龄,年级,TMD和DLS的VFM-MDLR模型在所有队列中实现了最高的AUC (0.832-0.877).
- 该模型在DMI检测中的性能与经验丰富的放射科医生 (P = 0.915) 相似.
- 该框架在识别DMI时表现出良好的准确性.
结论:
- VFM-MDLR模型提供了一个非常准确的工具,用于EC的非侵入性DMI预测.
- 这种人工智能驱动的方法可以帮助临床医生做出个性化外科治疗决策.
- 该框架显示了改善子宫内膜癌患者管理的前景.
