基于计算机断层扫描的放射学模型用于预测非小细胞肺癌中第四站淋巴结转移的发生
Yanru Kang1, Mei Li1, Xizi Xing1
1School of Clinical and Basic Medicine, Shandong First Medical University, Jinan, 250117, China.
BMC medical imaging
|June 4, 2025
概括
机器学习模型可以准确地识别非小细胞肺癌 (NSCLC) 中枢淋巴结转移. 这种方法有助于pN0-pN2阶段患者的临床决策,优化治疗和预后.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学中使用人工智能
- 胸部外科手术 胸部外科手术
背景情况:
- 精确的中枢淋巴结转移的分期对于非小细胞肺癌 (NSCLC) 治疗计划至关重要.
- 在pN0-pN2 NSCLC中,对第4站中枢淋巴结 (MLNM) 的转移进行术前鉴定仍然具有挑战性.
- 提高识别MLNM的精度可以显著影响临床决策和患者的结果.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于在pN0-pN2阶段的NSCLC患者手术前识别MLNM.
- 将计算机断层扫描 (CT) 图像中的放射学特征与临床预测因素相结合,以提高诊断准确度.
- 建立一个强大的辅助工具,以优化治疗策略和预后评估.
主要方法:
- 一组356名NSCLC患者 (pN0-pN2) 被分为训练,内部测试和独立测试集.
- 在CT图像上,从第4站中枢淋巴结的感兴趣区域提取了放射性特征.
- 最小绝对收缩和选择运算符 (LASSO) 回归选择了关键特征,并使用随机森林 (RF) 来构建联合放射学-临床模型,使用ROC分析,校准曲线和DCA进行评估.
主要成果:
- 在使用LASSO回归的1721个初始特征中选择了8个放射学特征.
- 基于射频的组合模型表现出强大的区分能力,曲线下的面积 (AUC) 为0.934 (训练) 和0.889 (内部测试).
- 组合模型表现出卓越的性能,在独立的测试组中验证了强度.
结论:
- 使用射频集成放射学和临床特征的组合模型有效地识别了NSCLC (pN0-pN2阶段) 中的4站MLNM.
- 这种非侵入性模型是临床决策的宝贵辅助工具.
- 该模型有可能优化治疗策略,并改善NSCLC患者的预后评估.
