在NSCLC中使用临床,放射学和深度学习特征进行淋巴结转移的非侵入性预测F-FDG PET/CT基于可解释机器学习
Furui Duan1, Minghui Zhang2, Chunyan Yang1
1PET/CT Department, The Second Affiliated Hospital of Harbin Medical University, 246 Xuefu Road, Nangang District, Harbin, Heilongjiang, PR China.
Academic radiology
|December 12, 2024
概括
一个新的机器学习模型结合了PET/CT扫描中的临床,放射学和深度学习特征,准确地预测了非小细胞肺癌 (NSCLC) 患者的淋巴结转移. 这种方法增强了术前决策,改善了患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 淋巴结转移 (LNM) 是非小细胞肺癌 (NSCLC) 的关键预后因素.
- 准确的手术前预测LNM对于最佳的治疗计划和患者管理至关重要.
- 目前的成像模式在精确检测LNM方面存在局限性.
研究的目的:
- 开发和评估一个机器学习模型,整合PET/CT成像的临床,放射学和深度学习特征.
- 在非小细胞肺癌 (NSCLC) 患者中预测淋巴结转移 (LNM).
- 为了提高模型的可解读性,使用Shapley添加式扩展 (SHAP).
主要方法:
- 分析了248名接受手术前PET/CT扫描的NSCLC患者队列.
- 使用mRMR和LASSO提取和选择了放射学和深度学习 (ResNet50) 功能.
- 使用XGBoost算法构建和评估临床,放射学,DL_放射学和组合模型.
主要成果:
- 组合模型在测试组中实现了最高的AUC (0.853),超过了单个模型.
- 决策曲线分析表明,组合模型的临床净益处优越.
- SHAP分析发现了影响预测的关键特征,包括ct_original_glrlm_LongRunHighGrayLevelEmphasis和pet_gradient_glcm_lmc1.
结论:
- 结合机器学习模型显著提高了NSCLC中的LNM预测准确性.
- 结合临床数据的PET/CT衍生特征,提供了强大的预测能力.
- 基于SHAP的解释性促进了临床采用手术前决策.
