基于放射学差异的签名预测肺癌风险 计算NLST队列中成像参数的成像参数
Leyla Ebrahimpour1,2,3,4, Philippe Després3,4,5, Venkata S K Manem1,5,6,7
1Centre de Recherche du CHU de Québec, Université Laval, Canada.
Cancer medicine
|October 28, 2024
概括
来自CT扫描的时间放射性特征显著改善了肺癌风险预测. 使用SMOTE平衡数据集进一步提高了模型性能,突出了三角形特征在早期检测中的价值.
科学领域:
- 放射学和医学成像技术
- 机器学习在瘤学中
- 预测癌症风险 预测癌症风险
背景情况:
- 肺癌是癌症死亡的主要原因,通常在晚期被诊断出来.
- 有效的预测模型对于早期肺癌检测至关重要.
- 时间成像数据为改善风险评估提供了潜力.
研究的目的:
- 调查从时间扫描中成像参数和三角放射性特征对肺癌风险预测的影响.
- 为了比较基线与三角洲放射性特征的性能.
- 评估数据协调和平衡技术对预测模型的影响.
主要方法:
- 利用国家肺部查试验 (NLST) 数据在一个嵌套的病例对照研究 (462个阳性查).
- 从时间计算机断层扫描 (CT) 扫描中提取了放射性特征,应用了ComBat协调.
- 采用特征减少 (LASSO),五种特征选择方法,九种具有5倍交叉验证的机器学习模型,以及合成少数群体过量采样技术 (SMOTE).
主要成果:
- 使用三角放射性特征的模型表现优于仅使用基线特征的模型.
- 合成少数人过量采样技术 (SMOTE) 在结合基线和三角形特征时始终提高了性能.
- 使用带有梯度提升的三角形特征,或使用带有支持向量分类器或XGBoost模型的T0和三角形特征组合实现了最高的预测得分 (0.76),所有这些都使用SMOTE.
结论:
- 三角洲的放射性特征和平衡的数据集对于改善肺癌预测模型具有重要意义.
- 来自这个NLST亚样本的发现为未来的放射学研究提供了基础.
- 建议对基于放射学强大的生物标志物进行进一步的研究,研究先进的协调技术和成像参数.
