研究目的
分析常规基于文本的PET/CT报告中非小细胞肺癌分期时缺失的TNM信息量,制定一种结构化、多媒体增强且基于影像分割的非小细胞肺癌影像学发现报告实施方案,并就分期准确性和处理时间方面将该方法与传统基于文本的报告方式进行比较。
研究成果
当前基于文本的PET/CT报告中,TNM分期信息常常不完整。采用带标注图像分割的结构化报告能提升报告质量,提供完整的TNM信息且额外工作量可控。此外,带标注的图像分割为训练人工智能算法以及更好地将影像数据整合到临床工作流程中开辟了道路。
研究不足
该研究为回顾性开展,不可避免地存在选择偏倚。每例病例的分割仅由一名阅片者完成,因此无法评估阅片者间的一致性。分割采用手动方法完成,未使用半自动或自动PET/CT分割技术?;毓诵匝芯可杓埔灿跋炝薚NM分期信息准确性的数据有效性。
1:实验设计与方法选择:
本研究从TNM分期完整性和处理时间两方面,比较了标准文本报告与手动全三维分割方法的差异。从395份报告中回顾性提取TNM信息,并使用41个分类标签对相应影像数据中的2995个病灶进行手动分割。
2:样本选择与数据来源:
在2008年1月至2016年12月期间进行的1327例ICD-10诊断编码为C34的FDG-PET/CT检查中,根据"组织学证实的非小细胞肺癌"和"初始分期情况"的纳入标准筛选出395例。
3:实验设备与材料清单:
2008年1月至2015年11月使用配备16层CT的集成PET/CT系统(Discovery STE,GE Healthcare,英国查尔芬特圣贾尔斯),2015年12月至2016年12月使用配备128层CT的PET/CT系统(Biograph mCT-X RT专业版,西门子医疗,德国埃尔朗根)进行检查。
4:实验流程与操作步骤:
每位患者的PET/CT图像数据集加载至基于3D Slicer的分割软件进行手动分割和标注。输出文件保存为JavaScript对象表示法(JSON)格式,包含时间测量记录和标注信息。
5:数据分析方法:
分析文本报告提取的TNM信息缺失频率,从JSON文件中提取每个病灶的分割时间。采用描述性统计和建模方法进行统计分析。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容