基于SPECT/CT的机器学习来区分肺癌患者的骨转移和良性骨病变
Huili Wang1, Yiru Chen2, Jianfeng Qiu3
1College of Preventive Medicine & Institute of Radiation Medicine, Shandong First Medical University & Shandong Academy of Medical Sciences, Jinan, China.
Medical physics
|November 15, 2023
概括
机器学习有效地区分骨转移与良性病变在肺癌患者使用SPECT/CT扫描. 一个集成的放射学-临床模型显示出最佳的诊断性能.
科学领域:
- 核医学成像技术 核医学成像技术
- 无线电学和机器学习
- 瘤诊断的诊断 瘤诊断的诊断
背景情况:
- 骨转移是肺癌的常见并发症,影响治疗决策.
- 肺癌骨转移的早期诊断至关重要,但具有挑战性,有些病例难以通过SPECT/CT诊断.
- 现有的诊断方法在准确识别骨转移方面存在局限性.
研究的目的:
- 开发和评估一种机器学习模型,以区分肺癌患者的骨转移与良性骨病变.
- 使用放射学特征分析[99mTc]-甲基二酸盐 (Tc-MDP) SPECT/CT扫描.
- 将放射学模型的诊断性能与一个集成的放射学临床模型进行比较.
主要方法:
- 一组141名肺癌患者 (69人患有骨转移,72人患有良性病变) 被随机分配到训练 (70%) 或测试 (30%) 组.
- 从SPECT和CT图像中提取了放射学特征,并使用LASSO回归进行了特征选择.
- 支持矢量机 (SVM) 用于构建放射学模型,一个集成模型将最佳放射学特征与临床数据相结合.
主要成果:
- 最优的放射学模型 (结合CT和SPECT) 实现AUC为0.919 (训练) 和0.907 (测试).
- 综合放射学-临床模型,包括SPECT,CT和临床特征,表现出优异的性能,AUC为0.939 (训练) 和0.925 (测试).
- 综合模型显示了骨转移和良性病变之间的最佳诊断差异化.
结论:
- 机器学习,特别是使用来自SPECT/CT的放射学特征,可以有效地区分肺癌中的骨转移与良性骨病变.
- 综合放射学-临床模型提供了最高的诊断准确性,并推用于临床应用.
- 这种方法可以改善肺癌患者骨转移的早期诊断.
