机器学习模型的开发和验证,用于预测数字. 在左侧结直肠癌中253个淋巴结转移使用临床和基于CT的放射性特征

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习
• 手术瘤学手术瘤学

背景情况:

• 在左侧结肠直肠癌 (CRC) 手术中,最佳的下半导体动脉 (IMA) 绑定部位仍在争论中.
• 转移在没有. 253淋巴结 (LN) 是影响手术决策的关键因素.
• 预测没有. 253 LN转移对于定制治疗策略至关重要.

研究的目的:

• 开发和验证一个机器学习模型来预测No. 253 左侧CRC患者的LN转移.
• 整合临床,CT成像和放射学数据,以提高预测准确度.
• 为优化CRC手术中的IMA绑定策略提供见解.

主要方法:

• 从2118名左侧CRC患者的临床数据回顾性收集.
• 后勤回归模型的开发:临床,基于CT和放射学.
• 将这些模型集成到一个使用逻辑规则的组合预测模型中.
• 在测试和时间验证集中使用AUC,PR曲线,DCA,NRI和IDI进行评估.

主要成果:

• 组合模型在时间验证集中实现了0.8的AUC,灵敏度为0.8,特异性为0.8.
• 临床,CT和放射学模型包含了特定的预测因素和图像特征.
• 与基于PR曲线和DCA的单个模型相比,组合模型显示出更高的性能.

结论:

• 一个结合临床和基于CT的放射学模型有效地预测了No. 在左侧CRC中253 LN转移.
• 这种预测模型为手术规划提供了有价值的指导,特别是IMA绑定.
• 这些发现支持在改进瘤外科手术实践中使用机器学习.