Modèle d'apprentissage en profondeur pour prédire la récidive de l'adénocarcinome pulmonaire invasif de stade IA après résection sous-lobaire (DL-Rec-ILA)

Cette étude vise à développer un modèle d'apprentissage en profondeur pour prédire le risque de récidive de l'adénocarcinome pulmonaire invasif de stade IA après résection sous-lobaire à l'aide d'images tomodensitométriques sans contraste. Les meilleures indications de résection sous-lobaire chez les patients atteints de LADC à un stade précoce sont encore débattues, ce qui rend le choix de la méthode chirurgicale quelque peu difficile. Le modèle d'apprentissage profond peut prédire de manière non invasive et objective le risque de récidive des patients atteints de stade IA ILADC après une sous-lobectomie et est utile pour prédire le pronostic des patients atteints de stade IA ILADC après une sous-lobectomie et peut faciliter le choix du mode chirurgical optimal de ceux-ci. patients.

L'étude utilisera des données rétrospectives de patients atteints d'adénocarcinome pulmonaire invasif de stade IA après résection sous-lobaire. Des images CT sans contraste seront collectées à l'admission et utilisées comme entrées pour le modèle d'apprentissage en profondeur. Le modèle sera formé à l'aide de réseaux de neurones convolutifs (CNN) pour identifier les modèles associés à la récidive.

En plus du développement du modèle, l'étude évaluera également les performances du modèle sur une cohorte de validation distincte pour évaluer la généralisabilité. Les analyses statistiques comprendront des mesures de performance telles que l'aire sous la courbe des caractéristiques de fonctionnement du récepteur (ROC) (AUC) et la courbe de rappel de précision.

Cette étude vise à fournir un outil précieux aux cliniciens pour prendre des décisions opportunes dans le choix de l'approche thérapeutique optimale.