基于机器学习的放射学分析,用于识别CT图像中的非小细胞肺癌中的KRAS突变:挑战,见解和影响
Mirjam Schöneck1, Nicolas Rehbach1, Lars Lotter-Becker1
1Institute for Diagnostic and Interventional Radiology, Faculty of Medicine and University Hospital Cologne, University of Cologne, 50937 Cologne, Germany.
Life (Basel, Switzerland)
|January 25, 2025
概括
机器学习努力预测基尔斯鼠肉瘤病毒性瘤基因同类 (KRAS) 突变在非小细胞肺癌使用CT放射学. 模型的可转移性很差,表明目前的方法不足以用于临床使用.
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:
- 基尔斯鼠肉瘤病毒瘤基因同类 (KRAS) 突变在非小细胞肺癌 (NSCLC) 中很常见,影响治疗和预后.
- 来自CT图像的放射性特征为非侵入性突变检测提供了潜力.
研究的目的:
- 开发和验证一种机器学习管道,用于识别使用CT衍生放射性特征的NSCLC患者的KRAS突变.
- 评估开发的机器学习模型的可转移性和临床适用性.
主要方法:
- 机器学习管道应用于从公共和内部CT数据集中提取的放射性特征.
- 进行了统计分析 (t-测试,曼-惠特尼U测试) 和缩小维度.
- 在训练和数据集之间的外部验证中使用了五倍交叉验证.
- 研究了数据平衡和协调技术,以提高模型性能.
主要成果:
- 在两个数据集之间观察到放射性特征的显著差异 (p < 0.05),阻碍了模型的可转移性 (F1评分 = 0.41).
- 数据平衡和协调技术没有提高KRAS突变分类的准确性.
- 获得的最高F1测试得分为0.67,被认为不足以用于临床应用.
结论:
- 目前仅使用放射性特征的机器学习方法不足以准确地预测NSCLC中的KRAS突变.
- 由于数据集的可变性,模型的可转移性仍然是一个重大挑战.
- 未来的研究应该考虑KRAS亚变异,并利用更大,多中心和多扫描器数据集来开发强大的预测模型.
