机器学习辅助预测非小细胞肺癌中大脑转移的发展
Giovanni Visonà1, Lisa M Spiller2, Sophia Hahn2
1Empirical Inference, Max-Planck Institute for Intelligent Systems, Tübingen, Germany.
Clinical lung cancer
|September 9, 2023
概括
分类器模型可以预测非小细胞肺癌 (NSCLC) 患者的大脑转移. 临床特征,而不是放射性特征,最好用于早期监测大脑MRI的高风险个体.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 非小细胞肺癌 (NSCLC) 经常发生大脑转移 (BM).
- 早期发现BM对于改善患者的治疗结果至关重要.
- 监测大脑MRI可能有利于患有BM高风险的患者.
研究的目的:
- 训练和验证分类器模型,以识别患有BM高风险的NSCLC患者.
- 为了比较临床特征与放射学特征的预测性能.
- 确定与NSCLC中BM发展相关的关键因素.
主要方法:
- 在2011年至2019年间诊断的395名NSCLC患者的回顾性分析.
- 开发和比较四个机器学习模型,使用来自胸部CT扫描的临床和/或3D放射学特征.
- 评估指标包括灵敏度,特异性和精度回忆曲线下的面积.
主要成果:
- 基于临床特征的预测模型显示出最佳性能,灵敏度约为70%,特异性约为60%.
- 放射学特征没有显著提高预测准确性,可能是由于数据异质.
- 腺癌组织学,淋巴结入侵和瘤等级与BM风险正相关;年龄和状细胞癌组织学与BM风险负相关.
结论:
- 临床特征是NSCLC患者BM的有价值预测因素.
- 这些模型的未来实施可以帮助选择高风险患者进行脑部MRI监测.
- 建议使用更大的样本大小进行进一步研究,以提高模型性能.
