您好,欢迎您

2024 AATS 中国之声 | LungPath:人工智能驱动的组织学模式识别用于改善早期浸润性肺腺癌的诊断

05月14日
编译:肿瘤资讯
来源:肿瘤资讯

美国胸外科协会(AATS 2024)已于当地时间(EDT)2024年4月27日至30日在加拿大-多伦多圆满落幕。2024 AATS是全球胸外领域中负盛名的胸外科学术活动,提高专业知识,和行业内顶尖专家建立联系,并共同构建胸外科的未来。

在此,【肿瘤资讯】小编特别整理人工智能驱动的组织学模式识别用于改善早期浸润性肺腺癌的诊断相关研究。

摘要号:P195

标题:LungPath: AI-Driven Histologic Pattern Recognition for Improved Diagnosis of Early-Stage Invasive Lung Adenocarcinoma

讲者:梁恒瑞——广州医科大学附属第一医院

研究背景

本研究旨在开发一种深度学习算法,并评估其基于术前计算机断层扫描 (CT) 扫描区分早期浸润性肺腺癌 (ADC) 组织学模式的临床能力。

研究方法

纳入两个回顾性队列:开发队列 1 和外部测试队列 2,包括诊断为 T1 期侵袭性 ADC 的患者。记录所有患者的电子病历和CT扫描。基于Mask-RCNN对整体分割模型进行修改,并采用ResNet50_3D进行图像分类。

研究结果

共有432例患者参与本研究,其中队列1为385例,队列2为47例。自动分割模型产生的精细轮廓结果与专家手动分割的结果具有高度一致性,在第一组中平均Dice系数为0.86(95%CI:0.85-0.87),在第二组中为0.84(95%CI:0.82-0.85)。此外,深度学习模型有效地区分高危组和低危组,在队列 1 中实现0.89的曲线下面积(AUC)(95% CI:0.88-0.90)。在队列 2 进行外部验证,深度学习模型在区分高风险组和低风险组方面的 AUC 为 0.87(95%CI:0.84-0.88)。平均诊断时间为16.00±3.2秒,准确率为0.82(95%CI:0.81-0.83)。

研究结论

本研究结果显示,LungPath是一种深度学习算法,用于基于CT扫描的早期肺ADC肺结节的自动分割和高危组织学模式的预测。

1715663304(1).jpg

参考文献

Hengrui Liang, et al. LungPath: AI-Driven Histologic Pattern Recognition for Improved Diagnosis of Early-Stage Invasive Lung Adenocarcinoma. 2024 AATS abstr P195.


责任编辑:肿瘤资讯-Bear
排版编辑:肿瘤资讯-Bear


版权声明
本文专供医学专业人士参考,未经著作人许可,不可出版发行。同时,欢迎个人转发分享,其他任何媒体、网站如需转载或引用本网版权所有内容,须获得授权,且在醒目位置处注明“转自:良医汇-肿瘤医生APP”。