基于深度学习融合纵隔脂肪的多视角肺结节分类多中心研究：为肺结节无创诊断带来新突破

为解决区分肺结节良恶性的侵入性诊断方法存在风险的问题，研究人员开展了开发整合多视角结节与纵隔脂肪图像特征的多模态深度学习模型以无创诊断肺结节的研究。结果显示该模型有预测能力，纵隔脂肪可作重要生物标志物，意义重大。

　　目的：区分肺结节良性和恶性的侵入性诊断方法可能存在多种风险。本研究旨在开发一种多模态深度学习模型，整合多视角结节和纵隔脂肪的图像特征，以实现肺结节的无创诊断。方法：本研究回顾了来自三个中心的 1407 例经病理证实的肺结节患者。首先，将 3D 结节从九个不同角度分解为 2D 切片进行特征提取，同时利用深度学习模型提取纵隔脂肪的图像特征。最后，将结节特征和纵隔脂肪特征输入支持向量机（SVM）进行精确预测。结果：与仅使用结节特征相比，在模型中加入纵隔脂肪特征可提高预测性能。内部测试队列和两个外部测试队列的受试者工作特征曲线下面积（AUC）分别为 0.926、0.947 和 0.914。基于净重新分类指数（NRI）结果，纵隔脂肪和结节的组合在内部测试队列（NRI = 0.173）、外部测试队列 1（NRI = 0.114）和外部测试队列 2（NRI = 0.109）中均表现出卓越的预测性能。结论：结果表明，多模态深度学习模型对肺结节具有一定的预测能力，纵隔脂肪可作为预测肺结节良恶性的重要生物标志物。