将放射学整合到使用机器学习的低核级DCIS的预测模型中
Yimin Wu1, Daojing Xu1, Zongyu Zha1
1Department of Ultrasound, WuHu Hospital, East China Normal University (The Second People's Hospital, WuHu), No.6 Duchun Road, Jinghu District, Wuhu, 241000, Anhui, China.
Scientific reports
|March 3, 2025
概括
这项研究引入了一种整体机器学习模型,用于在手术前预测低核级管道癌 in situ (DCIS). 该模型整合了临床,成像和放射性数据,提高了诊断准确度,并帮助个性化患者护理.
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:
- 准确的手术前预测低核级管道癌 in situ (DCIS) 对于优化治疗和患者管理至关重要.
- 目前的诊断方法,通常依赖于侵入性活检,由于DCIS异质性和瘤不完整的特征而面临限制.
研究的目的:
- 开发和验证一个集体机器学习模型,用于低核级DCIS的手术前诊断.
- 评估模型在整合各种数据类型,包括临床,成像和放射性特征方面的表现.
主要方法:
- 使用弹性网,带有提升 (glmboost) 的通用线性模型和Ranger算法开发了一个整体机器学习模型.
- 该模型整合了241例DCIS病例的手术前临床数据,超声波图像,乳房图像和放射性评分.
- 使用AUC,综合歧视改进和净重新分类改进来评估绩效.
主要成果:
- 整体模型在验证组中实现了0.92的曲线下的面积 (AUC),超过仅使用临床数据的模型.
- 在综合歧视改善和净重新分类改善方面观察到显著的改善 (p < 0.001).
- 该Radiomic组合模型在基于无疾病生存风险的DCIS患者分层方面表现出有效性.
结论:
- 将Radiomic功能集成到机器学习模型中,可以显著提高低核级DCIS的术前预测.
- 这种方法提供了更好的诊断准确性和个性化的风险分层,为针对性治疗和DCIS的临床管理策略铺平了道路.
