利用机器学习与动态18F-FDG PET/CT:整合新陈代谢和流动特征用于肺癌差异诊断

科学领域:

• 核医学就是核医学.
• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习在医学中的应用

背景情况:

• 动态18F-氧葡萄糖 (18F-FDG) PET/CT成像为肺癌诊断提供了宝贵的数据.
• 使用成像特征区分良性和恶性肺病变仍然是一个临床挑战.

研究的目的:

• 评估来自时间活动曲线 (TAC) 的代谢和血流特征是否可以区分良性和恶性肺病变.
• 开发和验证一个机器学习模型,将这些动态特性结合起来,以提高诊断准确度.

主要方法:

• 从187名患者的动态18F-FDG PET/CT扫描中提取了时间活动曲线 (TAC).
• 动力建模将TAC分解为新陈代谢和血液流动组件,以提取动态特征 (AUC,峰值时间,斜率).
• 一个袋装机器学习模型使用接收器操作特征分析进行了训练和验证,在42次扫描中进行了外部验证. 沙普利添加剂扩展 (SHAP) 评估了特征的重要性.

主要成果:

• 结合动态特征的机器学习模型实现了0.89 (交叉验证) 和0.86 (测试) 的AUC,显著超过SUVmax (AUC 0.79/0.72) 和K_i (AUC 0.76/0.71).
• 由SHAP确定的主要诊断特征包括代谢TAC斜率和最大值,血液TACAUC和峰值时间.
• 该模型表明良性和恶性组之间的预测得分显著不同 (科恩效应大小为1.71),优于SUVmax (0.96) 和K_i (0.81).

结论:

• 一个可解释的机器学习模型整合了动态的18F-FDG代谢和流动特征,可以准确地预测良性或恶性肺病变.
• 这种方法在肺病变的诊断性能方面超过了SUVmax和净流入率K等常规参数.