预测早期阶段地面玻璃不透明肺腺癌的入侵:基于放射学的机器学习方法

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是一门学科.
• 在瘤学瘤学.

背景情况:

• 早期的肺腺癌通常呈现为地面玻璃不透明 (GGO) 的肺结节.
• 准确分类这些结节对于预测入侵和指导治疗至关重要.
• 计算机断层扫描 (CT) 放射学提供了一种非侵入性方法,可以从医学图像中提取定量特征.

研究的目的:

• 开发和评估基于CT放射学和机器学习的分类方法.
• 在早期肺腺癌中预测肺地面玻璃结节 (GGN) 的入侵潜力.
• 要区分位于位上的腺癌 (AIS),微侵袭性腺癌 (MIA) 和侵袭性腺癌 (IAC).

主要方法:

• 对193名经组织学确认的GGO肺腺癌 (AIS,MIA,IAC) 患者的回顾性研究.
• CT图像的自动细分和107个放射性特征的提取.
• 使用随机森林 (RF) 开发分类模型,根据基尼重要性进行特征选择.

主要成果:

• 一个三类RF模型表现出优越的性能,与一对一的模型相比.
• 多类模型实现了高性能指标:AUC从0.87到0.90不等,准确度从0.69到0.79.
• 具体性能因亚型而异,在区分AIS和MIA方面具有显著的准确性.

结论:

• 一个基于放射学的多类RF模型有效地区分了肺GGN的三种亚型.
• 这种方法使GGO肺腺癌的早期诊断成为可能.
• 这些发现支持使用CT放射学来进行早期肺癌侵袭的非侵入性预测.