[目的]构建融合低剂量CT(low-dose CT,LDCT)影像的深度学习与影像组学特征的深度学习模型,提高肺结节风险评估的准确性。[方法]回顾性纳入2020年7月至2022年3月期间在江西省肿瘤医院和浙江省肿瘤医院接受LDCT检查并经病理诊断明确结节...[目的]构建融合低剂量CT(low-dose CT,LDCT)影像的深度学习与影像组学特征的深度学习模型,提高肺结节风险评估的准确性。[方法]回顾性纳入2020年7月至2022年3月期间在江西省肿瘤医院和浙江省肿瘤医院接受LDCT检查并经病理诊断明确结节性质的353例患者。采用YOLOv8模型进行肺结节自动检测,并构建多尺度3D-ResViT肺结节分类模型对结节进行高低危分类。同步提取影像组学特征,多维筛选关键特征嵌入模型实现信息互补融合。[结果]3D-ResViT肺结节分类模型进行肺结节风险分层受试者工作特征曲线下面积(area under the curve,AUC)在内部测试集达到0.868(95%CI:0.802~0.926),在外部测试集AUC为0.845(95%CI:0.711~0.950)。融合影像组学特征后的深度学习-影像组学联合模型在内部测试集和外部测试集AUC分别提升至0.890(95%CI:0.826~0.946)和0.865(95%CI:0.706~0.990),集成梯度可视化与SHAP分析进一步验证了模型的有效性。[结论]深度学习-影像组学联合模型可有效提升LDCT筛查中肺结节的风险评估准确性,具备较高的临床转化潜力。展开更多
文摘[目的]构建融合低剂量CT(low-dose CT,LDCT)影像的深度学习与影像组学特征的深度学习模型,提高肺结节风险评估的准确性。[方法]回顾性纳入2020年7月至2022年3月期间在江西省肿瘤医院和浙江省肿瘤医院接受LDCT检查并经病理诊断明确结节性质的353例患者。采用YOLOv8模型进行肺结节自动检测,并构建多尺度3D-ResViT肺结节分类模型对结节进行高低危分类。同步提取影像组学特征,多维筛选关键特征嵌入模型实现信息互补融合。[结果]3D-ResViT肺结节分类模型进行肺结节风险分层受试者工作特征曲线下面积(area under the curve,AUC)在内部测试集达到0.868(95%CI:0.802~0.926),在外部测试集AUC为0.845(95%CI:0.711~0.950)。融合影像组学特征后的深度学习-影像组学联合模型在内部测试集和外部测试集AUC分别提升至0.890(95%CI:0.826~0.946)和0.865(95%CI:0.706~0.990),集成梯度可视化与SHAP分析进一步验证了模型的有效性。[结论]深度学习-影像组学联合模型可有效提升LDCT筛查中肺结节的风险评估准确性,具备较高的临床转化潜力。
