Model głębokiego uczenia się oparty na tomografii komputerowej do przewidywania stopni patologicznych jasnokomórkowego raka nerkowokomórkowego (ccRCC) według WHO/ISUP: wieloośrodkowe badanie kohortowe

Celem tego badania jest opracowanie skutecznego modelu głębokiego uczenia się umożliwiającego wyodrębnienie istotnych informacji na temat nowotworów nerek i nerek z obrazów tomografii komputerowej (CT) oraz przewidywanie stopnia patologii jasnokomórkowego raka nerkowokomórkowego (ccRCC).

Dane retrospektywne zebrano od 483 pacjentów z rakiem ccRCC w trzech ośrodkach medycznych. Obrazy CT fazy tętniczej i fazy żyły wrotnej ze zbioru danych podzielono na segmenty pod kątem nowotworów nerek i nerek. Zastosowano trzy splotowe sieci neuronowe (CNN) w celu wyodrębnienia cech z obszarów zainteresowania (ROI) na obrazach CT w wielu wymiarach, w tym 3D, 2,5D i 2D. Do selekcji cech zastosowano regresję najmniejszego bezwzględnego skurczu i selekcji (LASSO). Modele oceniano za pomocą krzywych charakterystyki operacyjnej odbiornika (ROC) i analizy krzywych decyzyjnych (DCA).