Deep Learning-model til at forudsige tilbagefald af stadium IA invasivt lungeadenokarcinom efter sub-lobar resektion (DL-Rec-ILA)

Denne undersøgelse er designet til at udvikle en deep learning-model til at forudsige gentagelsesrisikoen for stadium IA invasivt lungeadenokarcinom efter sub-lobar resektion ved hjælp af non-contrast CT-billeder. De bedste indikationer for sub-lobar resektion hos patienter med tidligt stadie LADC diskuteres stadig, hvilket gør valg af kirurgisk metode noget vanskeligt. Den dybe læringsmodel kan non-invasivt og objektivt forudsige tilbagefaldsrisikoen for patienter med stadium IA ILADC efter sub-lobektomi og er nyttig til at forudsige prognose for patienter med stadium IA ILADC efter sub-lobektomi og kan lette valget af den optimale operationsform for disse patienter.

Studiet vil bruge retrospektive data fra patienter med stadium IA invasivt lungeadenokarcinom efter sub-lobar resektion. Ikke-kontrast CT-billeder vil blive indsamlet ved indlæggelsen og brugt som input til deep learning-modellen. Modellen vil blive trænet ved hjælp af konvolutionelle neurale netværk (CNN) til at identificere mønstre forbundet med gentagelse.

Udover modeludvikling vil undersøgelsen også evaluere modellens ydeevne på en separat valideringskohorte for at vurdere generaliserbarhed. Statistiske analyser vil omfatte præstationsmålinger såsom areal under modtagerens driftskarakteristik (ROC) kurve (AUC) og præcisions-genkaldelseskurve.

Denne undersøgelse har til formål at give et værdifuldt værktøj for klinikere til at træffe rettidige beslutninger om at vælge den optimale terapeutiske tilgang.