探索性算法可帮助预测不确定的肺结节的恶性病风险
Laurel Jackson1, Claire Auger2, Nicolette Jeanblanc1
1Abbott Diagnostics Division, Abbott Laboratories, Chicago, IL 60064, USA.
Cancers
|April 14, 2025
概括
这项研究开发了一种使用生物标志物和患者数据的模型,以预测肺癌查期间发现的不确定的肺结节 (IPN) 的恶性瘤风险. 新模型显示了比现有方法更好的准确性,可能减少不必要的后续检查.
科学领域:
- 在瘤学瘤学.
- 生物标志物发现发现
- 放射学 放射学是一门学科.
背景情况:
- 肺癌查降低了死亡率,但在管理不确定的肺结节 (IPN) 方面面临挑战.
- 准确的IPN风险分层对于避免不必要的侵入性手术和诊断延迟至关重要.
- 目前IPN风险评估的方法在预测恶性瘤方面存在局限性.
研究的目的:
- 开发和验证IPN恶性瘤风险的预测模型.
- 整合人口,临床,放射和循环生物标志物数据,以改善预测.
- 将新型模型的性能与已建立的梅奥得分进行比较.
主要方法:
- 一项病例控制研究包括379名IPN患者 (251名肺瘤,128名非恶性瘤).
- 数据包括人口,临床 (吸烟史),放射 (结节特征) 和血生物标志物水平.
- 使用70%的培训数据构建了一个多变量模型,并在30%的测试数据上进行验证.
主要成果:
- 开发了一种预测模型,包括年龄,病变大小,包装年,额外胸部癌症史,上叶位置,脊髓,hs-CRP,NSE,Ferritin和CA-125.
- 与梅奥评分 (AUC = 0.816训练,0.787测试) 相比,该模型获得了更高的性能 (AUC = 0.872训练,0.842测试).
- 这种新的算法在预测IPN恶性瘤风险方面表现出更高的准确性.
结论:
- 结合生物标志物,临床和人口统计数据的简化算法显示,它有望预测屏幕检测到的IPN中的恶性瘤.
- 这种方法可以减少对串行成像的需求,并减轻与诊断延迟相关的风险.
- 建议进一步验证以确认该预测模型的临床实用性.
