双中心协调多模态正子发射断层扫描/计算机断层扫描 图像放射特征和机器学习算法用于非小细胞肺癌 组织病理学亚型 现象解码 现象解码
Z Khodabakhshi1, M Amini2, G Hajianfar2
1Rajaie Cardiovascular Medical and Research Center, Iran University of Medical Science, Tehran, Iran.
Clinical oncology (Royal College of Radiologists (Great Britain))
|August 20, 2023
概括
放射性模型显示了使用PET和融合图像对非小细胞肺癌 (NSCLC) 亚型的分类潜力. 协调改善了PET的性能,突出了其在NSCLC分类的放射性分析中的价值.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 非小细胞肺癌 (NSCLC) 的分类依赖于组织病理学.
- 放射学提供了癌症亚型的非侵入性方法.
- 多中心研究需要强大的方法来解决数据的变化.
研究的目的:
- 开发和评估NSCLC组织病理学亚型分类的放射性模型.
- 评估ComBat协调对放射性模型性能的影响.
- 为了比较单模和多模的放射性方法.
主要方法:
- 使用了双中心NSCLC数据集.
- 从CT,PET和融合图像中提取了放射性特征.
- 应用了ComBat协调来纠正数据.
- 使用拉索和RFE进行特征选择.
- 评估了 LR,SVM 和 AdaBoost 分类器.
- 使用AUC,精度,灵敏度和特异性评估模型性能.
主要成果:
- 使用协调PET特征的支矢量机器模型实现了0.82.8的AUC.
- 协调显著改善了PET和基于导向过的聚变图像的性能.
- 在统一后,CT图像的性能并没有显著改善.
- 图像模式和特征选择方法显著影响了模型性能 (P<0.001).
结论:
- 对PET,CT和混合图像的放射性分析具有NSCLC亚型分类的潜力.
- 协调ComBat可以提高放射性模型的性能,特别是对于PET数据.
- 需要进一步验证,以优化这些放射性方法的临床应用.
