双区域计算机断层扫描基于放射学的机器学习预测了患有非小细胞肺癌的患者体下淋巴结转移的情况

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 放射学 放射学是一门学科.

背景情况:

• 在非小细胞肺癌 (NSCLC) 中准确预测下淋巴结转移 (SLNM) 仍然是一个临床挑战.
• 计算机断层扫描 (CT) 放射学提供了一种非侵入性的方法来评估瘤和淋巴结的特征.

研究的目的:

• 开发和验证一个双区域CT放射学模型,结合瘤和下膜淋巴结 (SLN) 的特征.
• 使用机器学习 (ML) 算法预测NSCLC患者的SLNM.

主要方法:

• 对202名接受切除和SLN剖析的NSCLC患者进行了回顾性研究.
• 从手术前的CT扫描中提取瘤和SLN区域的放射性特征.
• 基于单区域和双区域特征的90ML模型的开发和内部验证 (五倍交叉验证),根据曲线下的面积 (AUC) 评估.

主要成果:

• 双区域放射学模型在SLNM预测方面表现优异 (中位数AUC为0.794),与单区域模型 (瘤AUC为0.746,SLN AUC为0.700) 相比.
• 最高的AUC为0.880,是通过使用双区域特征的天真贝叶斯ML模型实现的.
• 最佳ML模型的性能优于最佳后勤回归模型 (AUC 0.727).

结论:

• CT放射学具有重要的潜力,可以准确预测NSCLC中的SLNM.
• 结合双区域放射性特征的机器学习模型在NSCLC中为SLNM提供了比单区域或物流回归模型更好的预测性能.