Modello di deep learning per prevedere la recidiva di adenocarcinoma polmonare invasivo di stadio IA dopo resezione sublobare (DL-Rec-ILA)

Questo studio è progettato per sviluppare un modello di deep learning per prevedere il rischio di recidiva dell'adenocarcinoma polmonare invasivo in stadio IA dopo resezione sublobare utilizzando immagini TC senza contrasto. Le migliori indicazioni per la resezione sublobare nei pazienti con LADC in stadio iniziale sono ancora dibattute, rendendo alquanto difficile la scelta del metodo chirurgico. Il modello di deep learning può prevedere in modo non invasivo e oggettivo il rischio di recidiva dei pazienti con ILADC in stadio IA dopo sub-lobectomia e è utile nel prevedere la prognosi dei pazienti con ILADC in stadio IA dopo sub-lobectomia e può facilitare la scelta della modalità chirurgica ottimale di questi pazienti.

Lo studio utilizzerà dati retrospettivi di pazienti con adenocarcinoma polmonare invasivo di stadio IA dopo resezione sublobare. Le immagini TC senza contrasto verranno raccolte al momento del ricovero e utilizzate come input per il modello di apprendimento profondo. Il modello verrà addestrato utilizzando reti neurali convoluzionali (CNN) per identificare modelli associati alla recidiva.

Oltre allo sviluppo del modello, lo studio valuterà anche le prestazioni del modello su un gruppo di validazione separato per valutarne la generalizzabilità. Le analisi statistiche includeranno parametri di prestazione come l'area sotto la curva delle caratteristiche operative del ricevitore (ROC) (AUC) e la curva di richiamo di precisione.

Questo studio mira a fornire uno strumento prezioso ai medici per prendere decisioni tempestive nella scelta dell’approccio terapeutico ottimale.