使用优化的CT类型来预测胸膜上皮瘤的组织学分类:放射学综合分析

科学领域:

• 医学成像和放射学医学成像和放射学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 胸膜上皮瘤 (TETs) 呈现出不同的组织学分类,影响临床管理和预后.
• 对TET进行准确的术前组织学分类对于治疗规划至关重要.
• 目前的诊断方法通常依赖于侵入性程序;需要非侵入性成像生物标志物.

研究的目的:

• 开发和外部验证一个用于预测TET组织学分类的综合模型.
• 利用非对比增强CT (NE-CT) 和对比增强CT (CE-CT) 的优化放射特征.
• 结合放射学,形态学和临床风险因素,以提高预测性能.

主要方法:

• 一组182名TET患者被分为训练 (N=122) 和外部验证 (N=60) 组.
• 从NE-CT和CE-CT中提取了放射学特征,随后进行了严格的特征选择,以创建Rad分数.
• 使用多变量后勤回归构建了一个综合模型,结合了最佳的Rad-score,形态特征和临床风险因素.

主要成果:

• 与NE-CT相比,CE-CT的放射学特征在预测TET分类方面表现优越 (AUC为0.783与0.749在培训中,0.775与0.723在验证中).
• 综合模型,包括CE-CT放射学和五个形态特征,实现了高预测准确性 (AUC 0.814在培训中,0.802在验证中).
• 综合模型显示了令人印象深刻的预测能力,在外部验证后区分TET组织学分类.

结论:

• 来自CT的放射学特征有效地捕捉了TET异质性,仅仅超越了形态特征.
• 基于对比度增强的CT放射学为预测TET组织学分类提供了比NE-CT更强大的基础.
• 开发的综合模型为识别TET组织学分类提供了一个有希望的非侵入性工具,有助于临床决策.