基于放射学的可解释CT机器学习模型,用于在干细胞脏细胞癌中预先预测Ki-67表达的术前预测

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表达是清细胞细胞癌 (ccRCC) 扩散和预后的关键生物标志物.
• 准确的手术前预测Ki-67表达可以帮助治疗规划和患者管理.
• 目前的Ki-67评估方法具有侵入性和耗时性.

研究的目的:

• 开发和验证基于CT放射学的可解释的机器学习模型,用于预测手术前的Ki-67表达在ccRCC中.
• 评估这些放射学模型的临床实用性和预后价值.

主要方法:

• 来自三个研究所的506名ccRCC患者的回顾性分析.
• 使用PyRadiomics从CT图像中提取放射性特征.
• 开发机器学习模型,包括随机森林 (RF),使用LASSO回归来进行特征选择.
• 使用AUC,校准和决策曲线分析进行外部验证和性能评估.
• 使用Kaplan-Meier和Log-rank测试进行预测评估.
• 使用SHAP分析的模型解释性.

主要成果:

• 八个放射学特征被选择用于构建五个机器学习模型.
• 射频模型表现出卓越的性能,在训练组中AUC为0.910,在外部测试组中为0.885.
• 射频模型显示出优异的校准和临床实用性.
• 基于IHC和RF预测的高Ki-67表达与瘤复发风险增加有关.
• SHAP分析为RF模型的预测提供了全球和个别解释.

结论:

• 可解读的基于CT放射学的射频分类器准确地预测了手术前的Ki-67表达在ccRCC中.
• 该模型提供了有价值的预后见解,并支持ccRCC患者的临床决策.
• 放射学分析为评估瘤生物学和预测结果提供了一种非侵入性方法.