Модель глубокого обучения прогнозирует патологический полный ответ рака легких после неоадъювантной иммунохимиотерапии

В этом исследовании ретроспективно были получены КТ-сканы без контрастного усиления и с контрастным усилением пациентов с НМРЛ, перенесших операцию после получения неоадъювантной иммунохимиотерапии. в нескольких центрах в период с августа 2019 г. по февраль 2023 г. Функции глубокого обучения были извлечены из КТ-сканирований как без контракта, так и из контракта, чтобы построить прогнозные модели (модель LUNAI-nCT и модель LUNAI-eCT) соответственно. После объединения этих двух типов признаков была построена объединенная модель (модель LUNAI-fCT). Эффективность модели оценивалась с использованием площади под кривой рабочей характеристики приемника (AUC), точности, чувствительности, специфичности, положительной прогностической ценности (PPV) и отрицательной прогностической ценности (NPV). Анализ аддитивных объяснений Шепли (SHAP) использовался для количественной оценки влияния особенностей компьютерной томографии на прогнозирование модели. Чтобы получить представление о том, как наша модель делает прогнозы, мы использовали градиентно-взвешенное картографирование активации классов (Grad-CAM) для создания тепловых карт значимости.