在肺癌中基于PET放射学的淋巴血管入侵预测,使用多重细分和多机器学习算法

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 数据科学数据科学数据科学

背景情况:

• 淋巴血管侵袭 (LVI) 是非小细胞肺癌 (NSCLC) 的关键预后因素.
• 准确预测LVI对于定制治疗策略和改善患者治疗结果至关重要.
• pozitron发射断层扫描 (PET) 放射学提供了一种非侵入性的方法,用于提取定量成像特征,用于预测建模.

研究的目的:

• 开发和评估机器学习模型,用于预测NSCLC患者的LVI,使用多分段PET放射学.
• 为了比较各种细分技术的性能,特征选择方法和分类算法.
• 为了确定最优的组合的方法,准确的LVI预测.

主要方法:

• 包括一百二十六名NSCLC患者.
• 应用了多种PET图像细分方法 (LAC,FCM,KM,流域,RG,IT).
• 通过MRMR,RFE和Boruta特征选择提取和分析了105个放射性特征.
• 使用了包括MLP,LR,XGB,NB和RF在内的分类器,使用或不使用SMOTE进行数据平衡.

主要成果:

• SMOTE,代值 (IT) 分段 (45%值),RFE特征选择和物流回归 (LR) 分类器的组合实现了最高的性能 (AUC=0.93,ACC=0.84,SEN=0.85,SPE=0.84).
• 另一种使用SMOTE,Fuzzy-C-mean (FCM) 分段,MRMR特征选择和LR分类器的模型也显示出强的结果 (AUC=0.92,ACC=0.87,SEN=1,SPE=0.84).
• 最高的精度 (ACC=0.9) 是通过IT细分 (45%/50%值),Boruta特征选择和无SMOTE的Naive Bayes分类器实现的.

结论:

• 与机器学习相结合的PET放射学可以准确预测NSCLC患者的LVI.
• 选择细分方法和机器学习算法显著影响预测性能.
• 这些发现支持基于放射学的预测对个性化NSCLC治疗策略的潜力.