通过基于放射学的机器学习预测临床阶段IA纯固体非小细胞肺癌的生存结果
Haoji Yan1, Takahiro Niimi1, Takeshi Matsunaga1
1Department of General Thoracic Surgery, Juntendo University School of Medicine, Tokyo, Japan.
The Journal of thoracic and cardiovascular surgery
|May 24, 2024
概括
使用放射性特征的机器学习模型可以预测早期非小细胞肺癌 (NSCLC) 患者的整体存活率 (OS). XGBoost模型在预测生存结果和分层患者方面表现出卓越的表现.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 数据科学数据科学数据科学
背景情况:
- 在计算机断层扫描 (CT) 上,临床阶段IA非小细胞肺癌 (NSCLC) 的纯固体外观与更差的预后有关.
- 准确预测整体存活率 (OS) 对于指导早期NSCLC的治疗决策至关重要.
- 机器学习 (ML) 为整合复杂的成像和临床数据提供了潜力,以提高预后准确性.
研究的目的:
- 开发和验证ML模型来预测临床阶段的OSIA纯固体NSCLC.纯固体NSCLC.
- 为了提高预后能力,利用手术前的放射学和临床特征.
- 将不同ML算法的性能与传统的统计模型进行比较.
主要方法:
- 对642名临床阶段IA纯固体NSCLC患者进行了回顾性审查,这些患者接受了切除.
- 在CT扫描上从内和周区域提取放射性特征.
- 使用随机生存森林和极端梯度提升 (XGBoost) 的ML模型的开发,以Cox回归作为基准. 使用曲线下的综合面积 (iAUC) 和5倍交叉验证来评估性能.
主要成果:
- XGBoost模型实现了最高的预测性能 (iAUC,0.832),超过随机生存森林模型 (iAUC,0.795) 和考克斯回归 (iAUC,0.753).
- XGBoost模型显示出优异的生存分层,识别出具有显著差异的5年生存率的不同风险群体 (低风险群体的100.0%至高风险群体的41.7%).
- 在3748个放射性特征和34个临床特征中,共选择了42个特征用于模型开发.
结论:
- 基于放射学的ML模型可以准确地和手术前预测临床阶段IA纯固体NSCLC中的OS.
- 这些模型显著改善了生存分层,有助于以风险为导向的患者管理.
- 该XGBoost算法显示特别有前途的增强预后准确性在这个患者队列.
