同济大学陈昶团队开展多中心研究人工智能助力癌症诊断,相关成果发表于《自然·通讯》
来源:医学院
时间:2023-12-04 浏览:
肺癌患者临床N分期的准确诊断,是指导治疗决策的关键。对于可手术切除的临床N0期非小细胞肺癌(NSCLC),仍然有患者在术后被证实存在淋巴结转移,即隐匿性淋巴结转移(ONM)。目前,正电子发射断层扫描/计算机断层扫描(PET/CT)作为NSCLC临床N分期无创性检查方法,其ONM的发生率仍然在12.9%-39.3%。因此,如何在术前准确地识别ONM人群是临床亟需解决的关键问题。随着人工智能图像处理技术的发展,目前深度学习已经成为PET/CT图像分析的有效手段,该方法可同时利用PET和CT图像信息,实现癌症的诊断以及治疗获益的预测。为此,同济大学附属上海市肺科医院陈昶教授团队开展了一项多中心研究,旨在建立并验证可预测临床N0期NSCLC患者ONM的PET/CT深度学习图像模型,该研究结果于近日发表于Nature子刊《自然·通讯》(Nature Communications)。
![](/__local/2/1F/FB/F0A19A56D452D95F716734819F9_1EB7D4EB_202D9.png?e=.png)
前期,陈昶教授团队已经探索了ONM人群的临床特点,以及深度学习模型结合CT图像预测ONM的价值,并分别发表于影像学专业权威期刊Radiology,European Journal of Nuclear Medicine and Molecular Imaging。在此基础上,该研究纳入了共计3265例接受了术前PET/CT检查的临床N0期NSCLC患者,在内部建模队列(N=1911)中进行了跨模态图像模型的建立,进而在外部验证队列中(N=355)将跨模态图像模型与不同模型以及临床医生进行比较,确定了深度学习PET/CT融合模型具有最佳的预测能力,并进一步在前瞻性队列(N=999, NCT05425134)中验证了该结果。最后,该研究进一步探索了该模型在手术方式决策中的应用价值,以及图像的可解释性。此项研究证实了深度学习在医学图像分析,尤其是在跨模态图像模型构建中的应用价值,其结果的临床实用性有待进一步验证。
![](/__local/E/9D/5E/C190CE3EA23EF87DDCC467C7AF3_7FC23ABD_118B1.png?e=.png)
同济大学医学院博士研究生仲一凡、江苏大学计算机学院研究生蔡创、同济大学医学院博士研究生陈涛为论文共同第一作者,同济大学附属上海市肺科医院陈昶教授、谢冬教授、佘云浪博士为论文共同通讯作者。该研究得到了宁波市第二医院杨明磊教授、南昌大学第一附属医院喻本桐教授、遵义医科大学附属医院宋永祥教授及其团队的支持,以及国家自然科学基金重大研究计划重点项目、国家重点研发计划、国家自然科学基金面上项目、国家自然科学基金青年项目的支持。
论文链接:https://doi.org/10.1038/s41467-023-42811-4