200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
对于可以手术的早期肺癌患者，临床一般依靠影像科医生通过术前CT检查对淋巴结转移情况进行评估进而制定手术计划，然而这种人为判读并不精确，如果评估有误，那么不但制定的治疗计划不合适，还会增加手术并发症的风险。
自从人工智能影像辅助诊断出现以来，不但大大节约了临床诊断时间，还提高了诊断的准确性，减少了人为误差，既往该技术在早期肺癌的识别中显示出巨大潜力，而在4月14日发表于《肺癌》（lung cancer）杂志发表的一项研究中，该技术被应用到了早期肺癌淋巴结转移的预测上，研究人员基于CT影像结果和之前的临床资料，开发一种跨模态3D神经网络系统——DensePriNet，用以准确预测T1期肺腺癌的淋巴结转移。
研究简介
该研究入选了临床分期为T1期的501例肺腺癌患者。收集数据包括：淋巴结的3D CT影像；之前的临床特征数据；淋巴结的病理学结果。研究人员设计了一种跨模态的深度学习系统，该系统可以成功地将之前获得的临床数据和CT影像整合到3D神经网络中，以预测淋巴结转移情况。将该系统在401个病例资料进行了训练和验证，并对100个病例进行了测试。将测试结果与逻辑回归集成模型、没有事先进行临床知识集成的单一学习模型、影像组学方法和影像科医师的人为评估进行了比较。
结果
在性能评估的比较中，该模型AUC达0.926，明显高于逻辑回归集成模型的0.904，单一学习模型的0.880，影像组学方法的0.891。 DensePriNet的马修斯相关系数（MC05）为0.705明显高于一名高级放射科医生的0.534和一名初级放射科医生0.416的人为评估。
研究结果非常令人期待，随着精准医疗的发展，患者的诊断治疗精准度不断提升，该研究结果提示，即使不结合临床资料的单一学习模型的判读水平就显著高于影像组学方法和影像科医师的人为评估，如果将临床数据集成到学习模型中可以进一步提高淋巴结状况的诊断精度，这将有助于临床精准医疗的进一步推进。
编译 | mirage
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017