可解释的机器学习模型集成对比增强的CT环境放射学和临床病理特征,用于预测肺腺癌的术后复发:一项回顾性试点研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 数据科学数据科学数据科学

背景情况:

• 手术后肺腺癌 (LA) 复发是一个重大的临床挑战.
• 准确预测复发风险对于指导辅助治疗决策至关重要.
• 目前的预测方法可能无法完全捕捉影响LA复发的复杂因素.

研究的目的:

• 开发一种可解释的预测模型,用于手术后LA患者的3年复发风险.
• 将对比度增强CT (CECT) 放射学特征与临床病理参数相结合.
• 提高复发风险评估的准确性和临床适用性.

主要方法:

• 对350名LA患者的CET图像和临床数据进行了回顾性分析.
• 使用LASSO回归,提取和选择放射学特征 (Radscore3,Radscore4).
• 机器学习模型 (包括CatBoost) 的训练和评估,并进行交叉验证.
• 综合临床变量 (性别,异质增强,肺部侵入,Ki67) 和通过ROC,校准曲线和DCA进行性能评估.

主要成果:

• 确定了重要的预测因素:性别,异质增强,内脏膜入侵,Radscore3,Radscore4和Ki67.
• 在测试组中,CatBoost模型实现了高预测性能 (AUC=0.883).
• 模型校准表明预测和观察到的复发风险之间有很好的一致性.
• SHAP分析证实了放射性特征和临床因素的重要性.

结论:

• 一个可解释的CatBoost模型整合了CECT放射学和临床病理学数据,有效地预测了手术后LA复发.
• 该模型通过提供准确的风险分层来支持个性化辅助治疗决策.
• 瘤异质性,如Radscore3/4所示,是LA复发的关键预后生物标志物.