Il modello di deep learning prevede la risposta patologica completa del cancro al polmone dopo immunochemioterapia neoadiuvante

Questo studio ha ottenuto retrospettivamente scansioni TC senza contrasto e con contrasto di pazienti con NSCLC sottoposti a intervento chirurgico dopo aver ricevuto immunochemioterapia neoadiuvante. in più centri tra agosto 2019 e febbraio 2023. Le caratteristiche di deep learning sono state estratte sia dalle scansioni TC potenziate senza contratto che da quelle potenziate dal contratto per costruire rispettivamente i modelli predittivi (modello LUNAI-nCT e modello LUNAI-eCT). Dopo la fusione di questi due tipi di caratteristiche, è stato costruito un modello fuso (modello LUNAI-fCT). Le prestazioni del modello sono state valutate utilizzando l'area sotto la curva caratteristica operativa del ricevitore (AUC), l'accuratezza, la sensibilità, la specificità, il valore predittivo positivo (PPV) e il valore predittivo negativo (NPV). L'analisi SHApley Additive ExPlanations (SHAP) è stata utilizzata per quantificare l'impatto delle funzionalità di imaging TC sulla previsione del modello. Per ottenere informazioni dettagliate su come il nostro modello effettua previsioni, abbiamo utilizzato la mappatura di attivazione delle classi ponderata con gradiente (Grad-CAM) per generare mappe di calore di salienza.