从超声波图像使用深度学习放射学模型预测子宫内膜癌的瘤级别:一个多中心研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 宫内膜内膜腺癌 (EEC) 瘤分级对于预后至关重要,但难以非侵入性评估.
• 传统的成像和活检对准确的手术前分类有局限性.
• 深度学习放射学 (DLR) 通过结合深度学习 (DL) 和放射学来进行超声波图像的定量分析,提供了一个有前途的方法.

研究的目的:

• 开发和验证一个DLR模型,使用手术前的经阴道超声波 (TVUS) 图像.
• 为了使EEC瘤等级 (G1,G2,G3) 的非侵入性差异化.
• 为了评估DLR模型的性能与radiomics和DL模型相比.

主要方法:

• 分析了297个经过确认的组织学等级的EEC病例队列.
• 从TVUS图像中提取了放射学特征,并使用极端梯度增强 (XGBoost) 建模.
• 使用ResNet-50提取了深度学习功能,并开发并内部和外部验证了组合DLR模型.

主要成果:

• 与仅使用放射学和DL模型相比,DLR模型在区分EEC等级方面表现出卓越的性能.
• 在DLR模型中,在训练队列中,G3与G1/G2的AUC为0.871,G2与G1的AUC为0.856.
• 外部验证显示出强的表现,G3与G1/G2的AUC为0.843,G2与G1的AUC为0.816.

结论:

• DLR模型显示了EEC瘤分级的非侵入性差异化显著潜力.
• 这种方法可以在手术前补充子宫内膜癌的非侵入性临床分期.
• 德拉尔提供了一个有价值的工具,以改善在EEC管理中进行手术前评估.