Deep-Learning-Modell zur Vorhersage des Wiederauftretens eines invasiven Lungenadenokarzinoms im Stadium IA nach sublobärer Resektion (DL-Rec-ILA)

Ziel dieser Studie ist die Entwicklung eines Deep-Learning-Modells zur Vorhersage des Rezidivrisikos eines invasiven Lungenadenokarzinoms im Stadium IA nach sublobärer Resektion unter Verwendung kontrastfreier CT-Bilder. Die besten Indikationen für eine sublobäre Resektion bei Patienten mit LADC im Frühstadium werden immer noch diskutiert, was die Auswahl der chirurgischen Methode etwas schwierig macht. Das Deep-Learning-Modell kann das Rezidivrisiko von Patienten mit ILADC im Stadium IA nach Sublobektomie nichtinvasiv und objektiv vorhersagen und ist hilfreich bei der Vorhersage der Prognose von Patienten mit ILADC im Stadium IA nach Sublobektomie und kann die Auswahl des optimalen Operationsmodus für diese erleichtern Patienten.

Die Studie wird retrospektive Daten von Patienten mit invasivem Lungenadenokarzinom im Stadium IA nach sublobärer Resektion nutzen. Bei der Aufnahme werden kontrastfreie CT-Bilder gesammelt und als Eingaben für das Deep-Learning-Modell verwendet. Das Modell wird mithilfe von Convolutional Neural Networks (CNN) trainiert, um mit Wiederholungen verbundene Muster zu identifizieren.

Zusätzlich zur Modellentwicklung wird die Studie auch die Leistung des Modells in einer separaten Validierungskohorte bewerten, um die Generalisierbarkeit zu beurteilen. Statistische Analysen umfassen Leistungsmetriken wie die Fläche unter der Receiver Operating Characteristic (ROC)-Kurve (AUC) und die Precision-Recall-Kurve.

Ziel dieser Studie ist es, Klinikern ein wertvolles Instrument zur Verfügung zu stellen, um rechtzeitig Entscheidungen bei der Auswahl des optimalen Therapieansatzes zu treffen.