创新的融合模型:提高甲状腺癌患者手术前ETE总预测
Ting Pan1, Fan Wu2, Juanjuan Cai1
1Cancer Center, Department of Pathology, Zhejiang Provincial People's Hospital (Affiliated People's Hospital), Hangzhou Medical College, Hangzhou, 310014, Zhejiang, China.
Scientific reports
|March 12, 2026
概括
这项研究表明,将深度学习和放射学 (DLR) 与临床数据相结合,可以显著改善使用超声波预测皮质甲状腺癌 (PTC) 的粗额外甲状腺延伸 (Gross ETE) 的预测. DLR模型为手术规划提供了一个强大的工具.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 乳头甲状腺癌 (PTC) 呈现出内和内结构异质性,这对于预测毛额甲状腺外延伸 (Gross ETE) 至关重要.
- 准确的手术前预测总ETE对于手术规划和PTC患者的风险分层至关重要.
研究的目的:
- 系统地评估和比较深度学习,放射学和综合深度学习-放射学 (DLR) 方法在PTC中使用超声波成像对Gross ETE的预测效果.
- 开发和验证一个集成多区域放射学特征,深度学习见解和临床参数的诺米克预测模型.
主要方法:
- 一项回顾性研究涉及来自三家医院的4,542名PTC患者 (2018年1月1日2022年1月12日),数据分为培训 (70%) 和测试 (30%) 集.
- 基于不同瘤扩张区域 (5-20像素) 的放射学和深度学习模型的开发,使用手术前超声波图像和临床数据.
- 将最佳模型和临床参数集成到名图中,通过AUC,灵敏度和特异性评估性能;使用SHAP和Grad-CAM分析特征重要性和可解释性.
主要成果:
- 最优的放射学模型 (15像素扩展) 在测试队列中实现了0.796的AUC,ResNet101深度学习模型在测试队列中实现了0.832的AUC.
- 与临床参数相结合的DLR模型 (DLRexpand15) 显示出优异的预测性能,AUC为0.849,准确度为0.857,特异性为0.888.
- SHAP分析突出了深度学习特征作为融合模型的主要预测因素,Grad-CAM证实了模型激活和组织病理入侵模式之间的空间一致性.
结论:
- 基于DLRexpand15的nomogram,整合了临床指标,提供了一个有效的工具,用于在PTC中预先预测毛ETE.
- 整合周围信息显著提高了Gross ETE的放射学和深度学习模型的预测能力.
- 这种多模式的方法为PTC患者的手术规划和风险分层提供了临床上有价值的见解.
