基于手术前对比增强CT和临床特征的机器学习模型,用于预测胆囊癌患者的围神经侵入
Hengchao Liu1, Zhenqi Tang1, Xue Feng1
1Department of Hepatobiliary Surgery, The First Affiliated Hospital of Xi'an Jiaotong University, Xi'an, 710061, Shaanxi, China.
概括
一个新的机器学习模型使用CT扫描和临床数据准确地预测胆囊癌 (GBC) 中的周围神经侵入 (PNI). 这种非侵入性方法有助于对GBC患者进行术前风险评估.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 周围神经侵入 (PNI) 是胆囊癌 (GBC) 的显著预后因素.
- 目前用于术前PNI预测的方法不可靠,突出了对非侵入性方法的需求.
研究的目的:
- 开发和验证一种机器学习模型,用于在GBC中进行PNI的非侵入性手术前预测.
- 确定与GBC中PNI相关的关键临床和成像特征.
主要方法:
- 对180名GBC患者进行回顾性分析,这些患者接受了对比度增强CT.
- 使用机器学习算法开发预测模型,包括LightGBM,KNN,LR,XGBoost,NB和SVM.
- 使用Shapley添加式解释 (SHAP) 进行模型解释和特征重要性排名.
主要成果:
- 总胆红素,CA19-9,肝脏侵袭,血管侵袭,T阶段和N阶段被确定为PNI的重要危险因素.
- 轻GBM模型实现了高性能,AUC为0.886 (训练) 和0.795 (测试).
- 使用成像 (T阶段,N阶段,血管入侵) 和临床特征 (TBIL,CA19-9) 的综合模型显示出强大的预测能力,LightGBM优于其他模型.
结论:
- 一个整合对比度增强CT成像和临床数据的机器学习模型有效地预测了GBC患者的PNI状态.
- 这种方法提供了一种稳定可靠的非侵入性工具,用于在GBC中进行手术前的PNI识别.
