用多相多探测器计算机断层扫描和18F-氧葡萄糖PET放射学预测侵袭性肺腺癌的高风险生长模式

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:

• 侵入性肺腺癌 (IAC) 呈现出多样化的生长模式,影响患者的预后和治疗决策.
• 准确识别高风险生长模式对于有效的治疗策略至关重要.
• 多相多探测器计算机断层扫描 (MDCT) 和18F-氧葡萄糖 (FDG) PET成像为瘤特征提供了宝贵的见解.

研究的目的:

• 开发和验证一个预测模型,用于识别侵袭性肺腺癌的高风险生长模式.
• 为了利用多相MDCT和18F-FDG PET成像的放射学特征来改善预测.
• 为了比较放射性,临床和联合放射性临床模型的性能.

主要方法:

• 一组203名患有侵袭性肺腺癌的患者被追溯分析.
• 患者被分为较低风险的 (斑膜/膜) 和较高风险的 (皮质/固体/微皮质) 增长模式组.
• 使用人工智能软件从多相MDCT和18F-FDG PET图像中提取放射性特征. 使用ROC分析开发和评估了包括AVP,PET,AVP-PET,临床和联合放射性临床 (Rad-Clin) 模型在内的预测模型.

主要成果:

• 在预测高风险生长模式方面,AVP-PET放射性模型表现出强的性能 (AUC = 0.888).
• 结合Rad-Clin模型,将AVP-PET放射学与临床预测指标 (性别,螺旋,直径,SUVmax,SUVavg) 整合起来,实现了优异的预测性能 (AUC = 0.923).
• 拉德-克林模型显著超过了个体放射性模型和仅临床模型 (AUC = 0.793).

结论:

• 联合Rad-Clin模型有效地预测了侵袭性肺腺癌的高风险生长模式.
• 这种人工智能驱动的方法提高了区分高风险的主导增长模式的能力.
• 这些发现支持该模型的潜力,以指导IAC患者的个性化治疗策略.