探索大动脉增强规范化方法在评估细胞癌组织学亚型中的增量价值:一个多中心大型队列研究
Zexin Huang1, Lei Wang2, Hangru Mei3
1Department of Radiology, Shenzhen Luohu Hospital of Traditional Chinese Medicine (Luohu Hospital Group), Shenzhen 518000, China; Department of Radiology, The Third Affiliated Hospital of Shenzhen University (Luohu Hospital Group), Shenzhen 518000, China.
Academic radiology
|March 29, 2025
概括
一种新的大动脉增强规范化 (AEN) 方法改善了细胞癌 (RCC) 分类模型. 这种方法提高了组织学亚型诊断的准确性和通用性,解决了多中心CT成像数据的挑战.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 对细胞癌 (RCC) 组织学亚型的准确分类对于患者的治疗至关重要.
- 传统的图像规范化方法面临着多中心数据和不同成像参数的挑战,影响模型性能.
- 开发可靠和可通用的RCC亚型分类模型对于临床应用至关重要.
研究的目的:
- 引入和评估一种新的"大动脉增强规范化" (AEN) 方法,用于RCC组织学亚型分类.
- 使用机器学习模型,比较AEN与传统规范化技术的性能.
- 评估拟议的AEN方法在多中心数据集中的通用性和解释性.
主要方法:
- 使用了1628名RCC患者的数据集,分为培训,验证和外部测试集.
- 开发了一种自动化的损伤细分模型和多尺度CT特征提取器.
- 基于损伤与大动脉增强比率的AEN方法被实施并与使用Random Forest,LightGBM,CatBoost和XGBoost算法的传统方法进行比较.
- 用SHAP分析来确定模型的可解释性.
主要成果:
- 在所有经过测试的机器学习算法中,AEN方法始终优于传统的规范化.
- 配备AEN的XGBoost模型实现了卓越的性能,AUROC值为0.89 (内部),0.81和0.80 (外部测试集),显示出强大的通用性.
- SHAP分析证实了多尺度CT特征在分类决策过程中的重要性.
结论:
- AEN方法有效地减轻了成像参数变化的影响,提高了RCC组织学亚型分类模型的稳定性和通用性.
- 这种新的方法为RCC中的多中心数据分析提供了显著的潜力.
- 该AEN方法显示了有希望的临床适用性,用于改进RCC诊断.
