Resumen

El examen por imagen desempeña un papel importante en el diagnóstico precoz del mieloma. El estudio se centró en los efectos de segmentación de modelos basados en aprendizaje profundo en imágenes de TC para mieloma, y la influencia de diferentes tratamientos de quimioterapia en el pronóstico de los pacientes. En concreto, 186 pacientes con sospecha de mieloma fueron los sujetos de la investigación. Se ajustó el modelo U-Net para segmentar las imágenes de TC y, a continuación, se utilizó el modelo de red neuronal convolucional de región más rápida (RCNN) para etiquetar las lesiones. Los pacientes se dividieron en grupo con bortezomib (grupo 1, n = 128) y grupo sin bortezomib (grupo 2, n = 58). Se compararon los índices bioquímicos, los índices de rutina sanguínea y el músculo esquelético de los dos grupos antes y después de la quimioterapia. Los resultados mostraron que el modelo U-Net mejorado demostró buenos resultados de segmentación, el modelo Faster RCNN puede realizar el etiquetado del área de la lesión en la imagen de TC, y la tasa de precisión de clasificación fue tan alta como 99%. En comparación con el grupo 1, el grupo 2 mostró agrandamiento del psoas mayor y del músculo erector de la columna después del tratamiento y disminución del contenido de células plasmáticas de la médula ósea, proteína M en sangre, cadena ligera de 24 h en orina, pBNP, ß-2 microglobulina (β2MG), ALP y niveles de glóbulos blancos (P<0,05). En conclusión, se sugiere el aprendizaje profundo en la segmentación y clasificación de imágenes de TC para mieloma, que puede elevar la precisión de detección. Dos regímenes de quimioterapia diferentes mejoran el pronóstico de los pacientes, pero los efectos de la quimioterapia sin bortezomib son mejores.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:Imágenes de TC, grupo, mieloma, pacientes, modelo RCNN, grupo bortezomib, aprendizaje profundo, contenido de células plasmáticas de la médula ósea, modelo RCNN más rápido, proteína M de la sangre.
• Keywords:CT images, group, myeloma, patients, Net model, bortezomib group, deep learning, bone marrow plasma cells content, Faster RCNN model, blood M protein