基于深度学习的时空估计技术，用于纵向CT图像中乳腺癌肺转移的病变变化分析，从而实现患者层面的评估

《npj Precision Oncology》：Deep learning-based spatiotemporal estimation of lesion changes for patient-level assessment of breast cancer lung metastases on longitudinal CT

　　

摘要

乳腺癌肺转移的临床管理具有挑战性，因为动态病灶评估的复杂性较高。传统的基于RECIST1.1的方法依赖于病灶大小的测量，现有研究需要图像配准，并且仅限于病灶层面的评估。在这项研究中，我们提出了一种无需配准的患者级时空评估框架，能够基于纵向CT图像全面分析多个病灶的演变情况。我们的方法考虑了大小不一且经常与血管、骨骼等复杂结构重叠的转移病灶，同时避免了潜在的配准误差。在清华大学附属北京协和医院乳腺癌肺转移数据集以及公开可用的数据集上，我们的方法均优于现有的最先进方法。该模型在四个医疗中心进行的多中心验证中也表现出了优异的性能。我们建立了一种患者级的乳腺癌转移评估框架，为纵向治疗监测提供了实用的解决方案。