CT-based intratumoral heterogeneity quantification fusing deep learning radiomics for predicting lymph node metastasis in early-stage lung adenocarcinoma: a multicenter study
8.0
来源：
Nature
关键字：
ML brain science
发布时间：
2025-11-27 03:40
摘要：
本研究通过对787名早期肺腺癌患者的CT影像进行分析，提出了一种新的影像生物标志物ITHscore，结合深度学习和放射组学技术，能够有效预测淋巴结转移。研究显示，ITHscore与深度学习特征和放射组学特征具有良好的协同效应，提升了模型的预测性能，AUC值在外部测试集中达到0.884，具有重要的临床应用潜力。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0
business_impact
1.0
scientific_rigor
1.5
timeliness_innovation
1.5
investment_perspective
2.5
market_value_relevance
1.0
team_institution_background
0.5
technical_barrier_competition
0.5
关键证据
ITHscore作为新的影像生物标志物，能够有效预测淋巴结转移。
融合模型在外部测试集中表现出色，AUC达到0.884。
研究涉及多中心数据，增强了结果的可靠性。
真实性检查
否
AI评分总结
本研究通过对787名早期肺腺癌患者的CT影像进行分析，提出了一种新的影像生物标志物ITHscore，结合深度学习和放射组学技术，能够有效预测淋巴结转移。研究显示，ITHscore与深度学习特征和放射组学特征具有良好的协同效应，提升了模型的预测性能，AUC值在外部测试集中达到0.884，具有重要的临床应用潜力。