Model głębokiego uczenia się do przewidywania nawrotu inwazyjnego gruczolakoraka płuc w stopniu IA po resekcji podpłatowej (DL-Rec-ILA)

Celem tego badania jest opracowanie modelu głębokiego uczenia się umożliwiającego przewidywanie ryzyka nawrotu inwazyjnego gruczolakoraka płuc w stopniu IA po resekcji podpłatowej przy użyciu obrazów CT bez kontrastu. Najlepsze wskazania do resekcji podpłatowej u pacjentów z LADC we wczesnym stadium są nadal przedmiotem dyskusji, co utrudnia wybór metody chirurgicznej. Model głębokiego uczenia się może w sposób nieinwazyjny i obiektywny przewidzieć ryzyko nawrotu u pacjentów w stopniu IA ILADC po sublobektomii i jest pomocny w przewidywaniu rokowania u pacjentów w stopniu IA ILADC po sublobektomii i może ułatwić wybór optymalnego trybu operacyjnego tych pacjentów pacjenci.

W badaniu wykorzystane zostaną dane retrospektywne od pacjentów z inwazyjnym gruczolakorakiem płuc w stopniu IA, po resekcji podpłatowej. Obrazy CT bez kontrastu zostaną pobrane przy przyjęciu i wykorzystane jako dane wejściowe do modelu głębokiego uczenia się. Model będzie szkolony przy użyciu splotowych sieci neuronowych (CNN) w celu identyfikacji wzorców związanych z nawrotami.

Oprócz opracowania modelu w badaniu zostanie również oceniona wydajność modelu w oddzielnej kohorcie walidacyjnej, aby ocenić możliwość uogólnienia. Analizy statystyczne będą obejmować wskaźniki wydajności, takie jak obszar pod krzywą charakterystyki operacyjnej odbiornika (ROC) (AUC) i krzywą precyzji przypomnienia.

Celem tego badania jest dostarczenie klinicystom cennego narzędzia umożliwiającego podejmowanie w odpowiednim czasie decyzji dotyczących wyboru optymalnego podejścia terapeutycznego.