在胰腺癌中对淋巴结转移的非侵入性预测,使用基于超声波的临床放射学机器学习模型

科学领域:

• 在瘤学瘤学.
• 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:

• 胰腺癌 (PC) 诊断和分期对于治疗计划至关重要.
• 精确的术前评估淋巴结转移对于确定最佳管理策略至关重要.
• 目前用于PC淋巴结转移的诊断方法存在局限性.

研究的目的:

• 探索和验证基于超声波图像omics特征的机器学习模型,用于诊断PC中的淋巴结转移.
• 为了比较图像-omics,临床和组合模型在预测淋巴结转移中的性能.
• 用决策曲线分析和名图来评估开发的模型的临床效用.

主要方法:

• 包括189名PC患者 (151名培训,38名测试) 具有确定的病理.
• 超声波图像-omics特征被提取,减少,并选.
• 使用八种机器学习算法 (LR,SVM,KNN,RF,ET,XGBoost,LightGBM,MLP) 来构建预测模型.
• 还开发并使用ROC分析,DCA和名ograms评估了临床特征和整合图像-omics和临床数据的组合模型.

主要成果:

• 最初提取了1561个图像-omics特征;选择了15个.
• 物流回归 (LR) 图像-奥米克模型实现了0.773 (训练) 和0.850 (测试) 的AUC.
• 使用病变边界和CA199的临床模型达到0.875.5的AUC.
• 组合模型表现出最高的性能,AUC为0.872 (训练) 和0.918 (测试),显示出卓越的临床益处.

结论:

• 结合了超声波图像和临床特征的综合模型,对PC的淋巴结转移具有强大的诊断能力.
• 这种方法提供了一种潜在的有效的非侵入性方法,用于PC的手术前诊断和临床决策.
• 这些发现表明,胰腺癌患者的诊断和治疗策略应该得到改进.