Un modèle d'apprentissage profond prédit la réponse pathologique complète du cancer du poumon après une immunochimiothérapie néoadjuvante

Cette étude a obtenu rétrospectivement des tomodensitogrammes sans contraste et avec contraste amélioré de patients atteints de CPNPC ayant subi une intervention chirurgicale après avoir reçu une immunochimiothérapie néoadjuvante. dans plusieurs centres entre août 2019 et février 2023. Les fonctionnalités d'apprentissage en profondeur ont été extraites des tomodensitogrammes améliorés sans contrat et améliorés par contrat pour construire les modèles prédictifs (modèle LUNAI-nCT et modèle LUNAI-eCT), respectivement. Après la fusion de ces deux types de fonctionnalités, un modèle fusionné (modèle LUNAI-fCT) a été construit. Les performances du modèle ont été évaluées en utilisant l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), la précision, la sensibilité, la spécificité, la valeur prédictive positive (PPV) et la valeur prédictive négative (NPV). L'analyse SHapley Additive ExPlanations (SHAP) a été utilisée pour quantifier l'impact des fonctionnalités d'imagerie CT sur la prédiction du modèle. Pour mieux comprendre la manière dont notre modèle effectue des prédictions, nous avons utilisé la cartographie d'activation de classe pondérée par gradient (Grad-CAM) pour générer des cartes thermiques de saillance.