基于CE的放射学和机器学习的结直肠癌肝脏转移的预测
Xijun Luo1, Hui Deng2, Fei Xie3
1Department of General Surgery, The Affiliated Panyu Central Hospital of Guangzhou Medical University, 8 East Fuyu Road Qiaonan Street, Panyu District, Guangzhou, 511400, China.
Translational oncology
|June 18, 2024
概括
对CT扫描的放射性分析可以预测结直肠癌肝转移 (CRLM) 的无疾病生存率. 这种非侵入性方法有助于CRLM患者的预后和临床决策.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 无线电学 (Radiomics) 是一种无线电学.
背景情况:
- 肝脏是结直肠癌转移 (CRLM) 的常见地点.
- 准确预测CRLM对于有效的临床决策至关重要.
- 需要使用非侵入性方法来预测CRLM中患者的结果.
研究的目的:
- 研究从对比度增强计算机断层扫描 (CECT) 图像中提取的放射性特征的潜力,以预测CRLM患者的无病生存期 (DFS).
- 使用机器学习算法开发和验证放射学签名,用于CRLM的非侵入性预测.
主要方法:
- 分析了来自CRLM病例的180张CECT图像.
- 使用Pyradiomics提取了放射学特征 (形状,第一阶,波形,纹理).
- 特性工程是使用受罚的考克斯回归进行的.
- 用弹性网 (EN) 和随机生存森林 (RSF) 算法构建了DFS的预测模型.
- 使用卡普兰-梅尔曲线,日志等级测试和多变量考克斯回归来评估模型性能.
主要成果:
- EN算法选择了11个放射学特征;RSF算法选择了835个特征.
- 无论是EN和RSF风险分数都显示出与DFS的负相关性.
- 在训练和测试数据集中,EN放射学签名显著地将患者分为高风险和低风险DFS组 (分别p < 0.01和p < 0.05).
- RSF算法显示出更强的预后潜力,在训练和测试数据集中显著分离了DFS (分别p < 0.001和p < 0.05).
结论:
- 从CECT扫描中提取的放射性特征对预测CRLM无病生存具有重大潜力.
- 开发的放射学签名,特别是使用RSF算法,为CRLM预测提供了一个有希望的非侵入性工具.
- 这些发现可以帮助临床医生根据预测的生存结果为CRLM患者量身定制治疗策略.
