纯地玻璃结节中的侵入性识别:基于外部验证和压力测试的放射学概括性的探索
Ziqi Xiong1, Wenjing Zhao1, Di Tian1
1Department of Radiology, The First Affiliated Hospital of Dalian Medical University, 222 Zhongshan Road, Xigang District, Dalian, 116011, China.
Journal of cancer research and clinical oncology
|July 15, 2023
概括
使用外部验证和压力测试来评估放射学模型的肺腺癌侵入性. 最好的后勤回归模型在外部验证中显示出良好的稳定性,但性能略低于临床模型.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 呈现为纯粉碎玻璃结节 (pGGNs) 的肺腺癌需要准确的侵入性评估.
- 利用机器学习的放射学模型在区分侵袭性和非侵袭性pGGNs方面表现有前途.
研究的目的:
- 为外部验证和压力测试放射学模型,以确定pGGNs中的肺腺癌侵入性.
- 为了比较各种基于机器学习的放射学模型的概括性和稳定性.
主要方法:
- 对来自三个中心的495名患者 (514名pGGNs) 的回顾性分析.
- 在培训队伍中使用最佳特征的六种放射学模型的开发.
- 外部验证和压力测试 (分层,转移,对比评估) 的模型性能使用接收器运行特征曲线下的区域 (AUC).
主要成果:
- 最好的物流回归 (LR) 放射学模型显示出高的诊断能力 (AUC: 0.849 ± 0.049) 和稳定性 (RSD: 5.719%).
- 在外部验证中,LR模型 (AUC:0.835) 的表现略低于临床模型 (AUC:0.862).
- 压力测试证实了LR模型在子组和转换中一致的性能 (卡帕值:0.960,0.840,0.933).
结论:
- 严格的验证和应力测试对于选择高性能放射学模型至关重要.
- 这些发现支持了强大的放射学模型对pGGN侵入性评估的潜在临床通用性.
