Dyplæringsmodell for å forutsi gjentakelse av stadium IA invasivt lungeadenokarsinom etter sub-lobar reseksjon (DL-Rec-ILA)

Denne studien er designet for å utvikle en dyp læringsmodell for å forutsi gjentakelsesrisikoen for stadium IA invasivt lungeadenokarsinom etter sub-lobar reseksjon ved bruk av CT-bilder uten kontrast. De beste indikasjonene for sub-lobar reseksjon hos pasienter med tidlig stadium LADC er fortsatt diskutert, noe som gjør valg av kirurgisk metode noe vanskelig. Den dype læringsmodellen kan ikke-invasivt og objektivt forutsi gjentakelsesrisikoen for pasienter med stadium IA ILADC etter sublobektomi og er nyttig for å forutsi prognose for pasienter med stadium IA ILADC etter sub-lobektomi og kan lette valg av den optimale operasjonsmodusen for disse. pasienter.

Studien vil bruke retrospektive data fra pasienter med stadium IA invasivt lungeadenokarsinom etter sub-lobar reseksjon. Kontrastfrie CT-bilder vil bli samlet inn ved innleggelse og brukt som input for dyplæringsmodellen. Modellen vil bli trent ved å bruke konvolusjonelle nevrale nettverk (CNN) for å identifisere mønstre assosiert med tilbakefall.

I tillegg til modellutvikling vil studien også evaluere modellens ytelse på en egen valideringskohort for å vurdere generaliserbarhet. Statistiske analyser vil inkludere ytelsesmålinger som areal under mottakeroperasjonskarakteristikken (ROC) kurven (AUC) og presisjonsgjenkallingskurven.

Denne studien tar sikte på å gi et verdifullt verktøy for klinikere til å ta rettidige beslutninger når de velger den optimale terapeutiske tilnærmingen.