El modelo de aprendizaje profundo predice la respuesta patológica completa del cáncer de pulmón después de la inmunoquimioterapia neoadyuvante

Este estudio obtuvo retrospectivamente tomografías computarizadas con contraste y sin contraste de pacientes con NSCLC que se sometieron a cirugía después de recibir inmunoquimioterapia neoadyuvante. en múltiples centros entre agosto de 2019 y febrero de 2023. Se extrajeron características de aprendizaje profundo de tomografías computarizadas mejoradas sin contrato y mejoradas con contrato para construir los modelos predictivos (modelo LUNAI-nCT y modelo LUNAI-eCT), respectivamente. Después de la fusión de características de estos dos tipos de características, se construyó un modelo fusionado (modelo LUNAI-fCT). El rendimiento del modelo se evaluó utilizando el área bajo la curva característica operativa del receptor (AUC), la precisión, la sensibilidad, la especificidad, el valor predictivo positivo (VPP) y el valor predictivo negativo (VPN). Se utilizó el análisis SHapley Additive exPlanations (SHAP) para cuantificar el impacto de las características de las imágenes de TC en la predicción del modelo. Para obtener información sobre cómo nuestro modelo hace predicciones, empleamos el mapeo de activación de clases ponderado por gradiente (Grad-CAM) para generar mapas de calor de prominencia.