预手术评估等级,T阶段和淋巴结参与:基于机器学习的CT纹理分析在结肠癌中

科学领域:

• 放射学和成像学 放射学和成像学
• 在瘤学瘤学.
• 医疗人工智能 医疗人工智能

背景情况:

• 准确的结肠癌分期对于有效的治疗计划至关重要.
• 术前计算机断层扫描 (CT) 是结肠癌诊断和分期的标准.
• 纹理分析提供了定量成像生物标志物,可以增强诊断能力.

研究的目的:

• 评估从手术前CT扫描结肠癌的纹理分析的预测能力.
• 为了确定纹理特征是否可以预测瘤等级,T阶段和淋巴结参与.
• 在这个预测任务中评估机器学习 (ML) 算法的性能.

主要方法:

• 追溯分析了73名结肠癌患者的CT扫描.
• 使用LifeX软件提取纹理特征,随后由放射科医生进行减少.
• 应用差异分析 (ANOVA) 来确定预测参数.
• 评估ML模型 (kNN,随机森林,梯度增强,神经网络) 的预测准确性.

主要成果:

• 在放射科医生之间实现了高可重现性 (49/58参数).
• ML模型显示了不同的预测性能:淋巴结参与的AUC范围为0.557-0.800,等级为0.666-0.846,T阶段为0.768-0.962.
• 最佳模型包括淋巴结参与的随机森林,等级的kNN和T阶段的梯度增强.

结论:

• 术前CT扫描的纹理分析显示了预测晚期结肠癌,高瘤等级和淋巴结转移的潜力.
• 机器学习算法可以有效地利用纹理特征进行瘤特征的非侵入性预测.
• 这种方法可以改善手术前评估,并指导结肠癌管理中的临床决策.