基于计算机断层扫描放射学和临床特征的机器学习模型可以为爱斯坦-巴尔病毒相关的胃癌提供诊断价值吗?

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 爱斯坦-巴尔病毒 (EBV) 与一种独特的胃癌 (GC) 亚型有关,即与EBV相关的胃癌 (EBVaGC).
• 准确区分EBVaGC与非EBVaGC对于理解疾病行为和指导治疗策略至关重要.

研究的目的:

• 调查机器学习 (ML) 模型的有效性,包括计算机断层扫描 (CT) 放射学和临床特征,以区分EBVaGC与非EBVaGC.
• 确定最佳的ML模型,用于在胃癌中非侵入性预测EBV状态.

主要方法:

• 分析了158名GC患者 (46名EBV阳性,112名EBV阴性) 的对比增强CT图像.
• 提取了放射性特征,并使用最少的绝对收缩和选择操作员后勤回归开发了放射性签名.
• 包括随机森林 (RF) 在内的六个ML模型被训练并使用AUC和AP等指标进行评估.

主要成果:

• 所有六种ML模型都实现了有前途的性能,曲线下的面积 (AUC) 从0.706到0.854.
• 射频模型表现出最佳性能,AUC为0.854,精度回忆曲线 (AP) 下的面积为0.793.
• 射频模型在测试数据集中表现出稳定的性能和强大的预测准确性 (AUC: 0.832,准确性: 0.833).

结论:

• 结合临床变量和放射学评分的ML模型显示了评估胃癌EBV状态的非侵入性工具的潜力.
• 随机森林模型是区分EBVaGC与非EBVaGC的一个有希望的方法.