基于2.5D深度学习多特征融合模型提高对比增强CT诊断肺炎样外周肺癌的准确性研究

《BMC Cancer》：The predictive value of 2.5D deep learning model based on contrast-enhanced CT for pneumonia-mimicking peripheral lung cancer

```html

摘要

目的

区分模仿肺炎的外周肺癌（PLC）在临床上仍然具有挑战性，因为传统的放射组学方法诊断性能有限。本研究旨在开发一种基于2.5D深度学习的多特征融合模型，以提高对比增强CT在诊断PLC方面的准确性。

材料与方法

这项多中心回顾性研究包括了来自两个医疗中心的302名患者。通过提取每个病灶最大轴向截面的七个切片，从静脉期增强CT数据中生成了2.5D数据集。使用生成的2.5D数据训练了多种深度学习架构，随后采用了多实例学习和基于集成的融合策略。深度学习特征、PLH特征和BoW特征与放射组学及临床变量进一步结合，构建了最终模型。通过ROC分析、校准曲线、DCA、SHAP和Grad-CAM等方法评估了模型的性能和可解释性。

结果

性别、静脉期CT衰减值和癌胚抗原水平被确定为独立的临床预测因素。在所评估的深度学习架构中，ResNet101在独立测试队列中的AUC值为0.809（95%置信区间：0.717–0.900）。组合模型在训练队列中的AUC值为0.874（95%置信区间：0.830–0.918），在独立测试队列中的AUC值为0.855（95%置信区间：0.774–0.936）。校准分析显示预测结果与观察结果之间有很好的一致性，而DCA表明Net临床效益较高。SHAP和Grad-CAM分析为模型预测提供了额外的见解。

结论

开发了一种基于2.5D深度学习的多特征融合模型，能够可靠地预测模仿肺炎的外周肺癌（PLC），为早期诊断和改善临床管理提供有效的决策支持。