Modelo de aprendizado profundo prevê resposta patológica completa do câncer de pulmão após imunoquimioterapia neoadjuvante

Este estudo obteve retrospectivamente tomografias computadorizadas sem contraste e com contraste de pacientes com CPNPC submetidos à cirurgia após receberem imunoquimioterapia neoadjuvante. em vários centros entre agosto de 2019 e fevereiro de 2023. Os recursos de aprendizagem profunda foram extraídos de tomografias computadorizadas sem contrato e com aprimoramento de contrato para construir os modelos preditivos (modelo LUNAI-nCT e modelo LUNAI-eCT), respectivamente. Após a fusão desses dois tipos de recursos, um modelo fundido (modelo LUNAI-fCT) foi construído. O desempenho do modelo foi avaliado por meio da área sob a curva característica de operação do receptor (AUC), acurácia, sensibilidade, especificidade, valor preditivo positivo (VPP) e valor preditivo negativo (VPN). A análise SHapley Additive exPlanations (SHAP) foi usada para quantificar o impacto dos recursos de imagem de TC na previsão do modelo. Para obter insights sobre como nosso modelo faz previsões, empregamos o Gradient-weighted Class Activation Mapping (Grad-CAM) para gerar mapas de calor de saliência.