基于机器学习的超标非侵入性预测EGFR表达状态在肝细胞癌患者

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 肝细胞癌 (HCC) 是一个重要的全球健康问题.
• 对表皮生长因子受体 (EGFR) 表达的准确预测对于指导HCC治疗决策至关重要.
• 目前评估EGFR状态的方法可能具有侵入性.

研究的目的:

• 为了评估Ultrasomics在HCC患者的EGFR表达状态的非侵入性预测中的疗效.
• 开发和比较用于EGFR表达式预测的机器学习模型.

主要方法:

• 分析了198名HCC患者的超声波图像,以提取超声波特征.
• 使用了包括ICC选和XGboost在内的特征选择技术.
• 五个机器学习算法 (RF,XGBoost,SVM,DT,LR) 用于构建预测模型.
• 模型性能使用AUC,灵敏度,特异性,精度,DCA和校准曲线进行评估.

主要成果:

• 随机森林 (RF) 超声波模型表现出强大的预测性能,AUC为0.929 (训练) 和0.807 (测试).
• 将超声波与临床数据集成到联合射频模型中,进一步提高了预测准确度.
• 组合的射频模型实现了0.937 (训练) 和0.817 (测试) 的AUC,具有高灵敏度和特异性.

结论:

• 超声波学与机器学习相结合,为预测HCC的EGFR表达提供了一个有希望的非侵入性方法.
• 基于射频分类器的超声波和组合模型对HCC的EGFR状态具有出色的预测能力.