使用基于18F-FDG PET/CT的放射性特征和机器学习算法预测食道癌患者的临床结果

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 食道癌 (EC) 治疗反应和生存是复杂的预测.
• 18F-氧葡萄糖正子发射断层扫描/计算机断层扫描 (18F-FDG PET/CT) 提供了关于瘤代谢和异质性的见解.
• 放射学,从医学图像中提取定量特征,已经成为一种非侵入性瘤特征的工具.

研究的目的:

• 评估18F-FDG PET/CT放射性特征与食道癌 (EC) 患者的临床参数之间的关联.
• 评估各种机器学习 (ML) 模型对EC临床结果的预测性能.
• 确定放射性特征与临床参数的预后值,以确定EC的整体存活率 (OS).

主要方法:

• 对接受预治疗18F-FDG PET/CT和化疗放射治疗的39名EC患者的回顾性分析.
• 使用LIFEx软件提取纹理特征.
• 应用后勤回归,天真贝叶斯,随机森林,极端梯度增强 (XGB) 和支持矢量机分类器来预测结果; 考克斯回归和卡普兰-梅尔分析用于OS.

主要成果:

• 在放射性特征和临床参数之间发现了显著的关联.
• 淋巴结转移,瘤定位和治疗反应被确定为OS的预测因素.
• 极端梯度增强 (XGB) 在评估的ML模型中显示出最高和最一致的预测性能.

结论:

• 18F-FDG PET/CT放射性特征,当与ML集成时,显示出预测EC治疗反应和临床结果的潜力.
• 放射性特征对于评估EC中的瘤异质性是有价值的.
• 与仅仅放射性特征相比,临床参数对整体存活 (OS) 的预后值保持更强.