双层光谱探测器计算机断层扫描多参数机器学习模型用于预测侵入性肺腺癌
Jiayu Wan1,2,3, Xue Lin1,2,3, Zhaokai Wang4
1Department of Radiology, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Translational lung cancer research
|March 21, 2025
概括
使用双层光谱探测器计算机断层扫描 (DLCT) 参数的机器学习模型准确地预测肺腺癌 (LUAD) 地玻璃结节的侵入性. 该工具有助于根据风险对GGN进行分类,改善肺癌患者的手术决策.
科学领域:
- 放射学和成像学 放射学和成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 肺腺癌 (LUAD) 是癌症死亡的主要原因.
- 通过高分辨率计算机断层扫描 (HRCT) 检测到的地玻璃结节 (GGNs) 是早期肺癌指标.
- 评估GGN的侵入性对于指导外科治疗策略至关重要.
研究的目的:
- 开发一个机器学习 (ML) 模型,集成双层光谱探测器计算机断层扫描 (DLCT) 参数和临床数据.
- 为了预测GGN在LUAD患者中的入侵性.
- 改善手术决策和患者预后.
主要方法:
- 一项对272名LUAD患者的回顾性研究 (154名侵入性腺癌[IA],118名最小侵入性腺癌[MIA]).
- 使用DLCT参数 (传统,密度,虚拟非对比,电子密度,有效原子数) 开发六个ML模型.
- 使用后勤回归,构建一个结合放射性特征和临床病理因素的名图.
主要成果:
- 结合常规和电子密度参数的ML模型实现了高性能 (AUC为0.945训练,0.964测试).
- 结合临床数据和放射学评分的联合模型显示出优异的歧视 (AUC为0.974培训,0.949测试).
- 该ML模型有效地区分IA和MIA,并根据入侵风险分层患者.
结论:
- 使用DLCT参数的机器学习模型可以有效地预测GGN在LUAD中的入侵性.
- 这些模型有助于将GGN分为不同的风险类别.
- 这些发现支持使用基于DLCT的ML来加强肺癌诊断和治疗计划.
