基于机器学习的CT放射学增强了膀癌阶段预测:对临床,放射学和组合模型的比较研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 精确的膀癌手术前分期 (BLCA) 对于治疗和结果至关重要,但与传统方法具有挑战性.
• 计算机断层扫描 (CT) 放射学,特别是基于机器学习 (ML) 的方法,显示了改善瘤阶段预测的潜力.
• 基于ML的CT放射学对BLCA分期的比较性能和临床实用性需要进一步研究.

研究的目的:

• 评估基于ML的CT放射学在手术前BLCA分期中的应用价值.
• 为了比较临床,放射学和联合临床-放射学模型的预测性能.
• 评估这些模型对于膀癌分期的临床实用性.

主要方法:

• 对105名BLCA患者的回顾性分析,数据分为培训 (70%) 和测试 (30%) 队列.
• 从CT图像中提取放射学特征,然后使用最少绝对收缩和选择操作员 (LASSO) 算法进行特征选择.
• 开发单独的临床,放射学 (支持矢量机分类器) 和临床放射学融合模型,使用ROC曲线,校准曲线和决策曲线分析 (DCA) 评估性能.

主要成果:

• 临床放射学模型表现出卓越的性能,在训练队列中,曲线下的面积 (AUC) 为0.958,在测试队列中为0.893.
• 仅使用放射学模型 (支持向量机) 在测试队列中实现了0.857的AUC.
• 校准曲线显示出良好的一致性,DCA证实了组合模型的临床效用优于单个模型.

结论:

• 基于ML的CT放射学与临床参数相结合,为准确的BLCA手术前分期提供了一个有希望的策略.
• 综合模型显著优于仅依赖临床或放射学数据的模型.
• 将放射学与临床信息相结合,有可能增强个性化治疗策略,改善BLCA管理中的患者结果.