一种混合机器学习基于CT的放射性诺米克图谱,用于预测治疗性切除结肠直肠癌患者的癌症特异性生存率

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗信息学 医疗信息学

背景情况:

• 大肠直肠癌 (CRC) 是癌症特异性死亡率的重要原因之一.
• 准确预测癌症特异性存活率 (CSS) 对于指导治疗决策至关重要.
• 当前的分期系统可能无法完全捕获预后信息.

研究的目的:

• 开发和验证基于计算机断层扫描 (CT) 的放射学名图,用于预测治疗切除的CRC中的CSS.
• 为了比较这种放射学名图的性能与美国癌症联合委员会 (AJCC) 的分期和临床病理模型.

主要方法:

• 使用794名治疗性切除CRC患者的队列,分为培训和验证组.
• 使用混合自动机器学习策略开发了一个放射学签名 (RS).
• 模型的性能使用歧视,校准和临床效用指标进行评估.

主要成果:

• 一个10个特征的放射学签名证明了CSS的独立预后价值.
• 综合RS和临床病理因素的放射学名图显示出卓越的性能 (例如,初级队列的一致性指数为0.803).
• 在预测CSS方面,名图表表现优于AJCC分期,临床病理模型和单独的RS.

结论:

• 开发的放射学名图是个性化的CSS预测在治疗切除的CRC患者的宝贵工具.
• 这种基于CT的方法提高了比传统方法更准确的预后准确性.