肺癌在世界范围内具有很高的发病率和死亡率。它的特点是进展快，预后差，对化疗易感。肺癌最常见的转移途径是通过纵隔淋巴结(MLN)，这对疾病的分期和预后有重要影响。术前评估MLN状态对临床医生确定肺癌患者的最佳治疗方法和手术剥离程度至关重要。这种评估对预测患者预后、提高生存率和提高生活质量具有重要意义。
目前，用于术前淋巴结诊断的技术包括计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射断层扫描-计算机断层扫描(PET-CT)、超声引导细针穿刺活检和纵隔镜检查。ct平扫对淋巴结转移的诊断敏感性和特异性分别为12.8%和99.6%，对比ct诊断敏感性和特异性分别为22.1%和90.7%。以往的研究表明，MRI对淋巴结转移的评估仅限于形态学指标，精度较低。PET-CT被广泛认为是临床评价淋巴结状态最全面、最准确的成像方式。然而，肺癌患者经常出现急性和慢性肺部炎症，肉芽肿和感染性淋巴结对18f -氟脱氧葡萄糖(18F-FDG)的摄取可导致假阳性。因此，受影响区域的PET图像显示摄取升高，导致错误的阳性结果。虽然超声引导的细针穿刺活检和纵隔镜检查是高度精确的侵入性技术，但它们可能导致术中或术后并发症，包括出血、气胸和神经损伤。此外，通过侵入性手术获得组织可能具有挑战性。因此，迫切需要一种非侵入性的方法来精确确定MLN的状态。
在使用传统诊断方法时，准确预测非侵袭性淋巴结转移提出了重大挑战。然而，人工智能技术的进步，特别是深度学习，为改进当前的诊断方法提供了一个有希望的解决方案。与传统的人工识别功能相比，深度学习技术采用端到端方法，可产生卓越的诊断性能。它在医学图像分类、检测、分割、配准以及肺癌诊断等各种医学任务中的成功应用证明了它的多功能性。深度学习依赖于广泛的数据集来训练模型。然而，获取大量标记医学图像对大多数医学研究人员来说是一个挑战。因此，必须开发在有限数据集上表现出强大分类性能的深度学习算法。
迁移学习在数据科学界是一种强有力的研究方法，特别是对于涉及小数据集的专业深度学习研究。该方法可以显著降低模型构建对数据量的依赖。在医学成像中，应用迁移学习可以缓解标记医学图像有限的问题。通过利用深度迁移学习，可以开发出即使在处理小样本数据集时也能表现出强大分类性能的诊断模型。因此，本研究引入一种深度迁移学习方法来解决当前的研究目标。具体而言，我们构建了一个分类辅助诊断模型，利用从两家医疗机构获得的有限的肺癌图像集来识别肺癌患者的纵隔淋巴结阳性(MLN+)。实施该方法可以提高医疗机构对肺癌患者中MLN+的诊断水平，从而促进肺部疾病的保健管理。
本文来自作者[半兰]投稿，不代表机制号立场，如若转载，请注明出处：https://m.jzwrb.cn/zlan/202508-1896.html
评论列表（4条）
我是机制号的签约作者“半兰”！
希望本篇文章《通过深度迁移学习增强肺癌淋巴结评估的准确性》能对你有所帮助！
本站[机制号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：肺癌在世界范围内具有很高的发病率和死亡率。它的特点是进展快，预后差，对化疗易感。肺癌最常见的转移途径是通过纵隔淋巴结(MLN)，这对疾病的分期和预后有重要影响...