一个基于放射性的机器学习模型使用手术前CT放射性特征预测子宫内膜癌复发:试点研究

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 目前的子宫内膜癌 (EC) 预后模型不包括手术前CT成像.
• 预测复发对于定制治疗和改善EC患者的治疗结果至关重要.

研究的目的:

• 研究手术前CT扫描中的放射性特征对预测子宫内膜癌 (EC) 患者无疾病生存率 (DFS) 的有用性.
• 开发和评估用于预测EC复发风险的机器学习 (ML) 模型.

主要方法:

• 从81名EC患者的对比度增强CT扫描 (CE-CT) 中提取了放射性特征.
• 使用了10倍的交叉验证与6:4培训/测试分割,结合数据增强和平衡.
• 开发了三个ML模型 (LASSO-Cox,CoxBoost,RFsrc) 用于在特征减少后进行DFS预测.

主要成果:

• ML模型在训练 (AUC 0.92-0.93) 和测试集 (AUC 0.86-0.90) 中都实现了高性能.
• 在模型和数据集中,灵敏度在0.89-1.00之间,特异性在0.73-0.90之间.
• 通过ML模型预测的高复发风险与明显更糟糕的DFS相关 (p < 0.001).

结论:

• 放射学显示出预测子宫内膜癌复发的巨大潜力.
• 开发的ML模型在预测EC患者结果方面发挥了有希望的作用.
• 需要进一步的验证研究,以在更大的队列中证实这些发现.