肺のグラウンドガラスノドルの侵入性を予測するためのCT放射学ベースの機械学習アプローチ

科学分野:

• 放射線科
• 腫瘍学
• 人工知能

背景:

• 肺のグラスノードル (GGN) は,肺腺癌の最適な治療のために正確な病理学的なサブタイプ化が必要です.
• アデノカルシノーマ・イン・シトゥ (AIS),最小侵襲性アデノカルシノーマ (MIA),侵襲性アデノカルシノーマ (IAC) といったサブタイプを手術前に区別することは,臨床的に有意である.

研究 の 目的:

• コンピュータトモグラフィ (CT) 放射学を用いた機械学習 (ML) モデルを開発し,検証する.
• 肺のグラスノードル (GGN) 内の病理的なサブタイプの差別化を高める.

主な方法:

• CTスキャンと切除を受けた392人の肺腺癌患者の400人のGGNを遡及的に分析した.
• mRMRとLASSOを用いた放射線特征抽出と次元の縮小が行われる.
• GradientBoosting,ロジスティック回帰,サポートベクトルマシンを含む7つのMLモデルの開発と比較.

主要な成果:

• 差異化のために8つの主要な放射学特性が特定されました.
• GradientBoostingモデルは,0. 929のAUCで最高のパフォーマンスを示しました.
• このモデルは,トレーニングセットで85%の精度,85.1%の感度,84.9%の特異性を達成した.

結論:

• CT放射学に基づくグラデントブーストモデルは,肺腺がんの病理的サブタイプを予測する上で優れた性能を示しています.
• このMLアプローチは,GGNの臨床診断のための信頼できる補助ツールを提供します.