一个基于机器学习的18F-FDG PET/CT多模式聚变放射学模型,用于预测NSCLC中中东腔-状淋巴结转移:一项多中心研究
1Department of Radiology, Second Affiliated Hospital of Naval Medical University, Shanghai, China; College of Health Sciences and Engineering, University of Shanghai for Science and Technology, Shanghai, China; Department of Nuclear Medicine, Huadong Hospital Affiliated to Fudan University, Shanghai, China.
使用融合PET/CT放射学的机器学习模型有效预测非小细胞肺癌 (NSCLC) 中的淋巴结转移. 这些多模式聚变放射学 (MFR) 和MFR加代谢参数 (MFRM) 模型显著优于传统的成像方法.
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
- 机器学习 机器学习
背景情况:
- 准确预测中-状淋巴结转移 (LNM) 对非小细胞肺癌 (NSCLC) 的分期和治疗计划至关重要.
- 目前的成像技术在准确识别LNM方面存在局限性.
研究的目的:
- 开发和验证一个机器学习 (ML) 模型,使用正电子发射断层扫描/计算机断层扫描 (PET/CT) 多模式融合放射学.
- 提高在NSCLC患者中中枢-状淋巴结转移 (LNM) 的预测效率.
主要方法:
- 分析了88名NSCLC患者 (中心1) 和75名淋巴结患者 (中心2).
- 使用波波变换将PET和CT图像融合在一起,并提取多模式融合放射学 (MFR) 特性.
- 包括MFR,MFR加代谢参数 (MFRM),CT,PET和PET+CT在内的ML模型使用接收器操作特征 (ROC) 曲线分析开发和验证.
主要成果:
- CatBoost算法被选择用于模型开发.
- 对于LNM预测,MFR和MFRM模型显示出高AUC值 (0.950-0.952在中心1,0.923-0.927在中心2).
- MFR和MFRM模型显著优于CT,PET和PET+CT模型 (P<0.001),MFRM显示出在部/腹膜间区域的MFR与统计学上显著的差异.
结论:
- 多模式聚变放射学 (MFR) 和MFRM模型显示,在NSCLC中,对中-状细胞中状细胞LNM的非侵入性预测具有显著的潜力.
- 这些先进的放射性模型与传统的成像方法相比,提供了更好的诊断效果.
更多相关视频
10:28Gene Regulation and Targeted Therapy in Gastric Cancer Peritoneal Metastasis: Radiological Findings from Dual Energy CT and PET/CT
Published on: January 22, 2018
06:51Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer
Published on: July 21, 2018