机器学习算法用于预测肺腺癌的恶性瘤等级和指导治疗:基于CT放射学的比较

科学领域:

• 放射学和机器学习在瘤学中的应用
• 医学成像和诊断 医学成像和诊断
• 计算病理学计算病理学

背景情况:

• 肺腺癌 (LUAD) 是一种常见的非小细胞肺癌 (NSCLC) 亚型,预后可变.
• 非侵入性预测模型对于个性化治疗策略至关重要.
• 放射学和机器学习 (ML) 提供了从医学图像中预测瘤特征的潜力.

研究的目的:

• 开发和验证计算机断层扫描 (CT) 基于放射学的诊断模型,使用ML.
• 非侵入性地预测LUAD的恶性瘤等级.
• 根据预测的瘤病理学指导手术策略.

主要方法:

• 对168名LUAD患者的回顾性分析,分为低风险和中高风险组.
• 从手术前的CT扫描中提取放射性特征,并开发临床放射学 (CM) 和放射学 (RM) 模型.
• 应用各种ML算法 (物流回归,决策树,随机森林,XGBoost,SVM,KNN,naive Bayes) 来创建综合模型 (COMs),其中XGBoost被确定为最佳.

主要成果:

• 临床放射学模型 (CM) 的AUC为0.909 (训练) 和0.920 (测试).
• 放射学模型 (RM) 的AUC为0.961 (训练) 和0.957 (测试).
• 基于XGBoost的综合模型在预测LUAD恶性瘤等级方面表现出卓越的性能.

结论:

• 开发并验证了一种结合CT放射学,临床和放射学数据的强大整合模型.
• 这种模型准确地识别了手术前,手术后病理等级较高的LUAD.
• 能够根据预测的瘤病理学进行量身定制的手术规划,增强患者的护理.