综合深度学习模型,集成CT特征和临床变量,用于食道癌术前T期诊断:一项多中心研究
Li Qian1, Pengyu Wang1, Jincheng Chen2
1Department of Health Statistics, College of Preventive Medicine, Army Medical University, Chongqing, China.
Digital health
|March 6, 2026
概括
这项研究开发了一个深度学习模型,将CT扫描和临床数据结合起来,用于食道癌T阶段诊断. 该模型实现了高精度,改善了手术前分期,以便更好地做出治疗决策.
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:
- 食道癌 (EC) 具有显著的死亡风险,精确的T阶段分类对于指导治疗至关重要.
- 使用单个数据类型的传统AI方法在EC T阶段诊断中显示出有限的准确性.
- 术前分期精度对于有效的食道癌治疗计划至关重要.
研究的目的:
- 开发和验证一种新的结合深度学习模型,用于食道癌T期诊断.
- 将计算机断层扫描 (CT) 成像功能与临床变量集成,以提高诊断精度.
- 为了提高食道癌患者手术前T分期的准确性.
主要方法:
- 分析了来自三个中心 (2018-2023) 的443名食道癌患者的队列,其中包括CT图像和临床数据.
- 一个分层的多级特征融合网络 (HMFFN) 从CT图像中提取了深度学习特征.
- 一个自动度量图形神经网络 (AMGNN) 融合了CT衍生的特征,手工制作的形态特征和T阶段分类的临床数据.
主要成果:
- 拟议的HMFFN-AMGNN模型实现了曲线下的面积 (AUC) 为0.848的内部和0.867的外部测试队列.
- 对食道癌T期的分类精度达到72.7% (内部) 和77.6% (外部).
- 该模型在内部和外部验证数据集中显示出强大的性能.
结论:
- 综合CT特征和临床变量的深度学习模型显著增强食道癌T期诊断.
- 开发的模型显示了高的预测精度,为改善EC管理中的临床决策提供了潜在的工具.
- 这种多式人工智能方法代表了食道癌症手术前阶段的有希望的进步.
