用多机器学习和息地放射学为术后胰腺癌进行可解释的预后建模:一个多中心研究
Qianbiao Gu1, Yan Xing2, Xiaoli Hu3
1Department of Radiology, Hunan Provincial People's Hospital and The First Affiliated Hospital of Hunan Normal University, 410000 Changsha, China (Q.G., Y.H., P.L.).
Academic radiology
|May 6, 2025
概括
使用随机生存森林模型的息地放射学准确地预测可切除胰腺癌 (RPC) 患者的无复发生存率,增强个性化治疗策略.
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
背景情况:
- 准确的风险分层对于切除胰腺癌 (RPC) 的个性化治疗至关重要.
- 放射学,分析瘤异质性,在癌症预后方面显示出希望.
- 息地放射学提供了一个局部化的方法来捕捉内异质性.
研究的目的:
- 评估息地放射学对预测RPC患者无复发生存 (RFS) 的有效性.
- 为了比较利用息地放射学与整个瘤放射学的机器学习模型的性能.
- 提高RPC中预后模型的可解释性.
主要方法:
- 对455名RPC患者的回顾性分析,分为训练和外部测试集.
- 用息地放射学进行局部异质性分析,将瘤细分为子区域.
- 七个机器学习模型的比较,包括随机生存森林 (RSF),使用Harrell的C指数,与时间依赖的ROC和Kaplan-Meier分析进行验证. 为了解释性,使用了SHAP和SurvLIME.
主要成果:
- 与整个瘤放射学 (p<0.05) 相比,使用息地放射学的RSF模型获得了更高的性能 (C指数0.828培训,0.702/0.680测试组).
- 时间依赖的ROC分析在手术后的0.5年,1年和2年表现出良好的预测准确性.
- 卡普兰-梅尔分析证实,外部测试组中预测的低风险群体的RFS显著更长 (所有p<0.05).
结论:
- 与RSF机器学习模型集成的息地放射学显著提高了术后RPC的预后准确性.
- 这种方法提供了增强的解释性,识别了关键的预测放射性特征.
- 息地放射学RSF模型为RPC患者的个性化管理提供了一个有前途的工具.
