通过可解释的机器学习推进NSCLC病理亚型预测:基于放射学的综合方法

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 非小细胞肺癌 (NSCLC) 有多种组织学亚型,需要准确的诊断.
• 计算机断层扫描 (CT) 成像对于肺癌评估至关重要.
• 可解释机器学习为改善诊断准确性提供了潜力.

研究的目的:

• 开发和评估可解释的机器学习模型,用于诊断NSCLC组织学亚型.
• 为了利用从CT图像中提取的放射性特征进行亚型分类.
• 通过准确和可解释的AI模型来增强临床决策.

主要方法:

• 使用了317名NSCLC患者的回顾性队列,数据分为培训 (222) 和验证 (95) 组.
• 提取了1834个放射性特征,使用统计方法和合成少数人过量采样技术 (SMOTE) 进行特征选择,以检测数据不平衡.
• 六个分类器 (物流回归,SVM,决策树,随机森林,XGBoost,LightGBM) 被训练并使用准确度和AUC指标进行评估,并使用SHAP进行解释.

主要成果:

• 确定了关键的放射性特征 (ADC为9,SCC为12,LCC为8) 用于亚型预测.
• 在XGBoost模型中,SCC的AUC为0.789,LCC的AUC为0.848.
• 随机森林模型在腺癌 (ADC) 预测方面实现了0.748的AUC.

结论:

• 使用CT成像的机器学习模型对NSCLC亚型 (SCC,LCC,ADC) 显示出强大的预测性能.
• 这些模型的可解释性支持它们融入临床决策工作流程.
• 这种方法为NSCLC精确的组织学亚型诊断提供了有价值的工具.