Modell för djupinlärning förutsäger patologiskt fullständigt svar av lungcancer efter neoadjuvant immunokemoterapi

Denna studie erhöll retrospektivt icke-kontrastförstärkta och kontrastförstärkta CT-skanningar av patienter med NSCLC som genomgick operation efter att ha fått neoadjuvant immunokemoterapi. på flera centra mellan augusti 2019 och februari 2023. Funktioner för djupinlärning extraherades från både icke-kontraktsförstärkta och kontraktsförstärkta CT-skanningar för att konstruera de prediktiva modellerna (LUNAI-nCT-modellen respektive LUNAI-eCT-modellen). Efter funktionsfusion av dessa två typer av funktioner, konstruerades en sammansmält modell (LUNAI-fCT-modell). Modellens prestanda utvärderades med användning av arean under mottagarens funktionskarakteristikkurva (AUC), noggrannhet, känslighet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV). SHapley Additive ExPlanations (SHAP)-analys användes för att kvantifiera effekten av CT-avbildningsfunktioner på modellförutsägelse. För att få insikter i hur vår modell gör förutsägelser använde vi Gradient-weighted Class Activation Mapping (Grad-CAM) för att generera framträdande värmekartor.