可解释的基于PET的息地和周围瘤机器学习模型用于预测临床阶段IA纯固体非小细胞肺癌的无进展生存:一项两中心研究
Bei-Hui Xue1, Shuang-Li Chen2, Jun-Ping Lan2
1Division of Pulmonary Medicine, the First Affiliated Hospital of Wenzhou Medical University, Key Laboratory of Heart and Lung, Wenzhou, Zhejiang, China (B.H.X., J.P.L.); Department of Radiology, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, China (B.H.X., S.L.C., J.G.X., X.W.Z.).
Academic radiology
|January 5, 2025
概括
使用PET息地和周放射学的机器学习模型预测了早期非小细胞肺癌 (NSCLC) 的无进展生存率. 这些模型有效地识别高风险患者,帮助制定个性化治疗策略.
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:
- 早期非小细胞肺癌 (NSCLC) 的诊断和预后仍然具有挑战性.
- 准确预测无进展生存 (PFS) 对于指导临床阶段IANSCLC的治疗决策至关重要.
- 需要新的生物标志物来改善早期NSCLC风险分层.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测临床阶段IA纯固体NSCLC患者的PFS.
- 利用来自瘤息地和周围瘤微环境的射发射断层扫描 (PET) 衍生的放射性特征.
- 将放射性信号与临床变量集成在一起,以提高预测准确度.
主要方法:
- 从234名NSCLC患者的PET扫描中从内,周和息地区域提取了放射性特征.
- 单变量和多变量逻辑回归确定了重要的临床变量.
- 通过将放射学签名与临床变量结合起来,构建了一个放射学名图.
- 卡普兰-梅尔分析和沙普利添加式解释 (SHAP) 用于预后评估和模型解释.
主要成果:
- 组合模型,结合周围 (5毫米) 和息地放射学特征与临床变量,表现出强的表现.
- 该模型在训练集中达到0.905的曲线下面积 (AUC),在内部验证集中达到0.875.
- 放射学特征与PFS有显著的关联,有效地区分高风险和低风险患者群 (日志等级P<0.001).
结论:
- 息地和周放射学特征是预测早期NSCLC中PFS的独立生物标志物.
- 开发的ML模型有效地分层了临床阶段IA纯固体NSCLC患者的生存风险.
- 这些发现支持放射学在早期肺癌个性化风险评估中的临床实用性.
