一个基于计算机断层扫描和尿路图的机器学习模型,用于预测上泌尿道尿癌的手术前病理等级

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 尿瘤学 尿瘤学

背景情况:

• 在治疗规划中,诊断和分级尿道上部泌尿道皮质癌 (UTUC) 是非常重要的.
• 准确的UTUC手术前分级可能是传统方法的挑战.
• 计算机断层扫描泌尿图 (CTU) 提供了尿路的详细解剖和功能信息.

研究的目的:

• 开发和验证使用CTU数据的机器学习 (ML) 模型,用于预测UTUC的手术前病理等级.
• 评估不同ML算法的性能,以区分高档UTUC.
• 确定与UTUC等级相关的CTU的关键成像特征.

主要方法:

• 对140名接受了CTU.的UTUC患者进行了回顾性分析.
• 从CTU的未增强,髓和分泌阶段提取放射性特征.
• 使用相关性分析和ML算法 (RF,SVM,XGBoost) 进行特征选择.
• 开发和验证16个ML模型,包括后勤回归,随机森林,SVM和XGBoost.

主要成果:

• 鉴定出水解是UTUC等级的最佳独立预测因子 (p < 0.05).
• 随机森林 (RF) 模型在预测高档UTUC方面表现出卓越的表现.
• 射频模型在训练组中达到0.914的AUC,在验证组中达到0.903的AUC,准确度很高.

结论:

• 基于CTU的ML模型,特别是使用RF算法,为预测手术前高度UTUC提供了强大而非侵入性的方法.
• 这种由人工智能驱动的方法可以帮助进行手术规划和患者管理.
• 需要在更大的队列中进一步验证,以确认其临床实用性.