Обоснование. Рак лёгкого — второй по распространённости тип рака во всём мире. На данное заболевание приходится приблизительно 20% всех случаев смерти от рака, а пятилетняя выживаемостью на поздних стадиях — менее 10%. Для стадирования немелкоклеточного рака лёгкого, характеризующегося высокой распространённостью, в новейших клинических рекомендациях предлагают использовать классификацию TNM (8-е издание). Это подчёркивает значимость оценки поражения лимфатических узлов средостения. Неинвазивные методы обследования в целом обеспечивают точную оценку, однако часто обладают недостаточной чувствительностью, в то время как инвазивные — могут быть противопоказаны отдельным пациентам. Благодаря совершенствованию технологий глубокого обучения появилась возможность преодолеть эти сложности. Тем не менее в большинстве исследований по данному вопросу основное внимание уделяют разработке алгоритмов, а не клинической значимости результатов. Кроме того, ни в одном из таких исследований не оценивают поражение отдельных лимфатических узлов, что ограничивает возможности комплексного анализа и интерпретацию результатов, а также препятствует их эффективной валидации в клинической практике.

Цель — разработать валидированный алгоритм, обученный на внутренних данных, для сегментации отдельных лимфатических узлов средостения по данным компьютерной томографии органов грудной клетки, а также оценить вероятность их метастатического поражения.

Материалы и методы. Выполнение сегментации групп лимфатических узлов в соответствии с рекомендациями Международной ассоциации по изучению рака лёгкого, чтобы получить ограничивающий прямоугольник для области средостения с целью последующей обработки данных. Затем изображение кадрируют при использовании этого ограничивающего прямоугольника и обрабатывают с помощью второй сети для выявления всех визуализируемых лимфатических узлов и генерации масок. На заключительном этапе выделяют каждый визуализируемый лимфатический узел, применяют соответствующую маску и оценивают с использованием сети прямого распространения, чтобы определить вероятность метастатического поражения.

Результаты. В данной последовательности действий средний отклик и значение Dice Score объекта составили 0,74±0,01 и 0,53±0,26 соответственно для задачи клинически значимой сегментации лимфатических узлов. Кроме того, значение площади под ROC-кривой для прогнозирования степени поражения регионарных лимфатических узлов составило 0,73, что превосходит традиционные критерии, основанные на размере.

Заключение. Предложенный алгоритм обеспечивает оптимизацию лечения пациентов без увеличения внутригрудных лимфатических узлов за счёт новых алгоритмов исследований, что повышает качество медицинского обслуживания пациентов с онкологическими заболеваниями.

背景。肺癌是全球第二大常见癌症，约占所有癌症死亡病例的 20%。其中晚期肺癌的五年生存率不足 10%。对于高发的 非小细胞肺癌（NSCLC），最新临床指南（TNM分类第8版）强调 纵隔淋巴结受累 的评估在分期中的重要性。非侵入性检查方法： 敏感性不足；侵入性检查方法： 某些患者可能存在禁忌；深度学习技术 的发展为克服上述挑战提供了新途径。然而，现有研究大多集中于 算法开发，忽略了 单个淋巴结受累评估的临床意义，限制了其在临床应用中的综合性和有效性。

目的。开发并验证一个基于内部数据训练的算法，通过 胸部CT图像 分割单个纵隔淋巴结，并评估其转移的可能性。

材料与方法。数据分割与处理：按照国际肺癌研究协会建议，对 淋巴结组 进行分割；获取纵隔区域的限制性矩形框，用于后续数据处理。深度学习技术应用：使用第一个神经网络对图像裁剪；使用第二个神经网络识别所有可视淋巴结并生成掩膜；在最后阶段，分离每个可视淋巴结，应用掩膜并利用前馈网络评估其转移的可能性。

结果。分割任务性能：平均响应值为 0.74±0.01；Dice Score 为 0.53±0.26。预测淋巴结转移性能：ROC曲线下面积（AUC）为 0.73；该结果优于基于传统 大小标准 的评估方法。

结论。所提出的算法通过深度学习技术实现了对纵隔淋巴结转移可能性的自动评估，在无显著肿大的淋巴结患者中优化了治疗方案。该方法提升了 肿瘤患者医疗服务的质量，并为淋巴结评估提供了一种有效的非侵入性选择。