在胆囊癌中基于机器学习的预后建模,使用临床数据和预治疗[F]-FDG-PET-放射性特征
Masatoyo Nakajo1, Daisuke Hirahara2, Megumi Jinguji3
1Department of Radiology, Graduate School of Medical and Dental Sciences, Kagoshima University, 8-35-1 Sakuragaoka, Kagoshima, 890-8544, Japan. toyo.nakajo@dolphin.ocn.ne.jp.
Japanese journal of radiology
|December 28, 2024
概括
整合临床和[18F]-FDG-PET放射性特征的机器学习模型显示出预测胆囊癌进展的前景. 这些模型准确地预测患者的结果,有助于个性化治疗策略.
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:
- 胆囊癌 (GBC) 是一个重大的健康挑战,患者的预后变化很大.
- 准确预测GBC无进展生存期 (PFS) 对于有效的治疗计划和患者管理至关重要.
研究的目的:
- 评估机器学习 (ML) 模型的有效性,包括临床和2-deoxy-2-[18F]fluoro-D-glucose (18F-FDG) -positron发射断层扫描 (PET) 放射性特征,用于预测GBC患者的结果.
- 确定GBC中PFS的关键临床和放射性预测因子.
主要方法:
- 对52名GBC患者进行分析,这些患者在治疗前进行了18F-FDG-PET/CT扫描.
- 提取8个临床和49个放射性特征用于PFS预测.
- 应用特征选择方法和ML算法 (Cox比例危险,随机生存森林) 来构建预测模型.
主要成果:
- 随机生存森林 (RSF) 模型确定了国际癌症控制联盟 (UICC) 阶段,N阶段和三个放射性特征作为PFS的显著预测因素.
- 该RSF模型实现了强大的预测性能,在训练组中,一致性指数 (C指数) 为0.81,在测试组中为0.89.
- 该模型在匹配实际和预测的进展时间表方面表现出高准确性,低误差指标表明了这一点.
结论:
- 结合临床和治疗前18F-FDG-PET放射性数据的ML模型具有预测GBC预后的巨大潜力.
- 这些发现支持使用先进的成像和计算方法来个性化GBC管理.
