使用机器学习方法预测肺结节恶性瘤的放射学分析.

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 低剂量CT查降低了肺癌死亡率,但难以区分恶性和良性肺结节.
• 准确识别恶性结节对于有效的肺癌查和管理至关重要.
• 不确定的结节在基线查评估中构成重大挑战.

研究的目的:

• 开发和验证使用放射性特征的预测模型,以区分在基线查期间检测到的良性和恶性肺病变.
• 评估机器学习模型在预测肺结节恶性瘤风险方面的表现.

主要方法:

• 在四项国际肺癌查研究中,从16797个结节中提取了2060个放射性特征.
• 将特征过到642个放射性变量和9个流行病学变量,用于模型开发.
• 通过交叉验证和网格搜索训练和评估了三种机器学习模型 (eXtreme梯度增强树,随机森林,LASSO).

主要成果:

• 拉索模型实现了最高的预测性能,测试组的曲线下面面积 (AUC) 为0.93.
• 开发的放射学模型的表现优于泛加拿大肺癌早期检测模型 (AUC 0.87).
• 该模型对固体 (AUC 0.93) 和亚固体结节 (AUC 0.91) 均表现出高精度.

结论:

• 使用放射性和流行病学特征开发了高度准确的机器学习模型.
• 这些模型显示了评估恶性瘤风险的不确定的屏幕检测肺结节的潜力.
• 这些发现支持在肺癌查解释中使用先进的计算方法.