基于低张水充盈胃CT图像的进展期胃癌智能T分期应用研究

摘要

目的:构建一个端到端的深度学习网络，用于进展期胃癌CT影像T分期多分类任务。方法:回顾性纳入423例胃癌患者的增强扫描静脉期CT图像，以8∶2的比例随机分为训练集和测试集。选用基于3D-nnUNet神经网络的深度学习自动分割模型用于进展期胃癌病灶的分割，同时构建基于SmallFocusNet网络的进展期胃癌T分期的多分类模型，最后，将自动分割模型与多分类模型集成，构建一个端到端的深度学习模型用于进展期胃癌CT-T分期诊断。以Dice相似度系数(DSC)、交并比(IoU)及95%豪斯多夫距离(HD＿95)对分割模型性能进行评价；以ROC曲线下面积(AUC)、灵敏度、特异度对深度学习模型效能进行评价，并比较深度学习模型与放射科医生间的进展期胃癌T分期诊断效能。结果:在测试集中，进展期胃癌自动分割模型的DSC和IoU分别为0.869±0.095、0.779±0.137;深度学习模型宏平均AUC值为0.882(95%CI:0.812～0.926),区分T2、T3、T4a期肿瘤AUC值分别为0.960(95%CI:0.915～0.990),0.739(95%CI:0.616～0.849),0.917(95%CI:0.812～0.926);平均灵敏度为0.769(95%CI:0.676～0.853),区分T2、T3、T4a期肿瘤的灵敏度分别为0.808(95%CI:0.654～0.923),0.750(95%CI:0.571～0.893),0.750(95%CI:0.594～0.906)。同时，深度学习模型对于进展期胃癌T分期诊断效能优于放射科医生。结论:基于增强CT开发的融合多通道与注意力机制的端到端深度学习模型在进展期胃癌术前T分期诊断中有较高的准确性和一致性。

关键词

胃肿瘤 / 深度学习 / 进展期胃癌 / 自动分割 / 多分类 / T分期