肺がんのオカルト結節転移を予測するためのPET/CTベースのクロスモーダルディープラーニング署名

オカルト結節転移（ONM）は、非小細胞肺癌（NSCLC）の包括的な治療において重要な役割を果たします。この研究の目的は、臨床病期N0 NSCLCのONMを予測するために、ポジトロン放出断層撮影/コンピューター断層撮影に基づいた深い学習署名を開発することです。内部コホート（n = 1911）が含まれており、深い学習ノーダル転移シグネチャ（DLNMS）を構築します。その後、外部コホート（n = 355）と将来のコホート（n = 999）を利用して、DLNMの予測性能を完全に検証します。ここでは、オカルトN1予測のDLNMSの受信機動作特性曲線の下の領域が、検証セットの0.958、0.879および0.914、外部コホートおよび将来のコホートであり、オカルトN2予測はそれぞれ0.942、0.875および0.919です。、シングルモーダルのディープラーニングモデル、臨床モデル、および医師よりも大幅に優れています。この研究は、DLNMSが臨床病期N0 NSCLCのONMを予測する可能性を抱えていることを示しています。

Occult nodal metastasis (ONM) plays a significant role in comprehensive treatments of non-small cell lung cancer (NSCLC). This study aims to develop a deep learning signature based on positron emission tomography/computed tomography to predict ONM of clinical stage N0 NSCLC. An internal cohort (n = 1911) is included to construct the deep learning nodal metastasis signature (DLNMS). Subsequently, an external cohort (n = 355) and a prospective cohort (n = 999) are utilized to fully validate the predictive performances of the DLNMS. Here, we show areas under the receiver operating characteristic curve of the DLNMS for occult N1 prediction are 0.958, 0.879 and 0.914 in the validation set, external cohort and prospective cohort, respectively, and for occult N2 prediction are 0.942, 0.875 and 0.919, respectively, which are significantly better than the single-modal deep learning models, clinical model and physicians. This study demonstrates that the DLNMS harbors the potential to predict ONM of clinical stage N0 NSCLC.