基于CT泌尿图的放射学来预测ISUP分级的清细胞细胞癌
Panpan Jiao1,2, Bin Wang3, Xinmiao Ni1,2
1Department of Urology, Renmin Hospital of Wuhan University, Wuhan, Hubei, 430060, China.
这项研究使用CT尿图 (CTU) 图像上的人工智能预测清晰细胞细胞癌 (ccRCC) 级别. 该XGBoost模型实现了高精度,有助于非侵入性分级和治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 清细胞细胞癌 (ccRCC) 的分级对于治疗至关重要.
- 精确的手术前分类ccRCC可以改善患者管理.
- 对于ccRCC分级的非侵入性方法是非常可取的.
研究的目的:
- 评估人工智能在预测国际泌尿病学学会 (ISUP) 的ccRCC等级使用计算机断层扫描 (CTU) 泌尿图像方面的有效性.
- 从CTU图像中识别放射学特征,这些特征可以作为ccRCC分级的潜在生物标志物.
- 提供基于非侵入性分级的ccRCC治疗建议.
主要方法:
- 对328名ccRCC患者的CTU图像进行了回顾性分析 (武汉大学仁明医院队列).
- 使用Pyradiomics和通过LASSO回归进行选择,提取皮质甲状腺 (CMP) 阶段放射学特征.
- 开发和比较物流回归 (LR),多层感知器 (MLP),支向量机 (SVM) 和极端梯度增强 (XGBoost) 模型用于ISUP等级预测.
- 外部验证使用来自癌症基因组图谱 (TCGA) 队列的175名患者和使用SHAP分析的性能可视化.
主要成果:
- 在训练,测试和验证集中,XGBoost模型在预测ISUP等级方面表现优异,在训练集中,曲线下的面积 (AUC) 达到0.96,在验证集中达到0.78.
- 高灵敏度 (0.91-0.99) 是通过XGBoost模型实现的.
- 通过SHAP分析确定的主要放射学特征包括波段-LHL_glcm_Idn和波段-LHL_glrlm_LongRunEmphasis.
结论:
- 人工智能模型,特别是XGBoost,可以使用手术前的CTU图像来准确预测ccRCC的ISUP等级.
- 来自CTU图像CMP阶段的放射学特征显示了ccRCC分级生物标志物的潜力.
- 这种方法可以帮助ccRCC患者的临床决策和治疗计划.
更多相关视频
09:28Patient-derived Orthotopic Xenograft Models for Human Urothelial Cell Carcinoma and Colorectal Cancer Tumor Growth and Spontaneous Metastasis
Published on: May 12, 2019
03:19Author Spotlight: Developing a Bedside Protocol for Kidney and Genitourinary Ultrasonography
Published on: June 21, 2024
相关概念视频
Imaging Studies I: Kidney, Ureter, and Bladder Studies
Imaging Studies II: Ultrasonography
Imaging Studies III: Computed Tomography
Imaging Studies IV: Magnetic Resonance Imaging
Imaging Studies V: Intravenous Urography and Retrograde Pyelography
Imaging Studies VI: Voiding Cystourethrography and Cystography
