基于机器学习的计算机断层扫描放射学Nomgram用于预测胃癌中围神经侵入

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 周围神经侵入 (PNI) 是胃癌 (GC) 的关键预后因素.
• 准确预测PNI对于有效的治疗计划和患者管理至关重要.
• 当前的预测方法可能会从先进的成像分析中受益.

研究的目的:

• 开发和验证GC中PNI的预测模型.
• 利用对比增强计算机断层扫描 (CE-CT) 扫描的临床因素和放射学特征.
• 为了比较临床,放射学和PNI预测的组合模型的性能.

主要方法:

• 一组205名GC患者被分为训练 (n=143) 和验证 (n=62) 组.
• 从CE-CT扫描中提取了放射学特征,并使用LASSO回归进行了优化.
• 建立了机器学习模型 (SVM) 和临床模型,并创建了一个联合放射学名图.

主要成果:

• 临床模型的AUC为0.777 (培训) 和0.809 (验证).
• 使用SVM的放射学模型的AUC值为0.875 (训练) 和0.826 (验证).
• 综合放射学名图显示出最高的预测性能,AUC为0.889 (训练) 和0.885 (验证).

结论:

• 一个整合临床预测因子和CE-CT放射学的诺米图有效预测GC中的PNI.
• 这种组合模型显示出对预后评估的良好表现.
• 开发的模型可能有助于GC患者的临床决策.