基于CT语义特征和放射学特征的可解释机器学习模型,可在手术前预测胃肠道 stromal 瘤中的 Ki-67 表达

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 基-67表达是胃肠道 stromal 瘤 (GISTs) 的关键预后标志物.
• 准确的手术前预测Ki-67表达对于指导GIST患者的治疗策略至关重要.

研究的目的:

• 开发和验证一个机器学习 (ML) 模型,集成计算机断层扫描 (CT) 语义和放射学特征.
• 在患有GISTs的患者中预测手术前的Ki-67表达.

主要方法:

• 对149名GIST患者的临床,成像和病理数据进行了回顾性分析.
• 从增强的CT图像中提取CT语义和放射学特征.
• 开发和评估6ML模型,包括支持矢量机 (SVM),使用接收器操作特征 (ROC) 曲线和SHAP分析.

主要成果:

• SVM模型实现了最高的预测准确性,曲线下的面积 (AUC) 值为0.840 (训练),0.767 (验证) 和0.832 (测试集).
• 通过SHAP分析,Radscores和瘤直径被确定为预测模型的显著积极贡献者.
• 该模型在预测GIST患者Ki-67表达方面表现出可靠的性能.

结论:

• 结合CT语义和放射学特征的可解释的SVM模型可以准确地预测GIST患者的手术前Ki-67表达.
• 这种ML模型为个性化临床治疗决策提供了有价值的成像生物标志物.
• 这些发现支持在GIST管理中使用先进的成像分析进行非侵入性瘤表征.