İnvaziv akciğer adenokarsinomunun mikropapiller veya katı büyüme modelini tahmin etmek için bilgisayarlı tomografi tabanlı 3B evrişimli sinir ağı derin öğrenme modeli

Amaç

İnvaziv akciğer adenokarsinomunda (ILADC) mikropapiller veya solid (M/S) büyüme deseninin varlığını tahmin etmek için bilgisayarlı tomografi (BT) tabanlı derin öğrenme (DL) modelinin değerini araştırmak.

Malzemeler ve Yöntemler

Haziran 2019'dan Ekim 2022'ye kadar kurumumuzda ameliyat öncesi göğüs BT taramaları yapılan 617 ILADC hastası, 4:1 oranında eğitim ve dahili doğrulama setlerine rastgele yerleştirildi ve başka bir kurumdan 353 ILADC hastası harici doğrulama seti olarak dahil edildi. Ardından, iki DL modeli oluşturmak için kendi kendine öğrenme (SPL) 3D Net kullanıldı: model 1, ILADC'deki M/S büyüme modelini tahmin etmek için kullanıldı ve model 2, ≤ 2 cm çapındaki ILADC'deki bu modeli tahmin etmek için kullanıldı.

Sonuçlar

Model 1 için, eğitim kohortunun eğri altında kalan alanı (AUC), doğruluk, geri çağırma, kesinlik ve F1 puanı sırasıyla 0,924, 0,845, 0,851, 0,842 ve 0,843; dahili doğrulama kohortununkiler sırasıyla 0,807, 0,744, 0,756, 0,750 ve 0,743; ve harici doğrulama kohortununkiler sırasıyla 0,857, 0,805, 0,804, 0,806 ve 0,804 idi. Model 2 için, eğitim kohortunun AUC, doğruluk, geri çağırma, kesinlik ve F1 puanı sırasıyla 0,946, 0,858, 0,881, 0,844 ve 0,851 idi; dahili doğrulama kohortları 0.869, 0.809, 0.786, 0.794 ve 0.790'dı; ve harici doğrulama kohortları sırasıyla 0.831, 0.792, 0.789, 0.790 ve 0.790'dı. SPL 3D Net modeli ResNet34, ResNet50, ResNeXt50 ve DenseNet121 modellerinden daha iyi performans gösterdi.

Çözüm

BT tabanlı DL modeli, küçük boyutlu tümörlerde bile ILADC alt tiplerini güvenilir şekilde tespit edip ay

Makalenin Tamamını Okuyun

ırt edebilen invaziv olmayan bir tarama aracı olarak iyi performans gösterdi.