基于机器学习的预后模型的开发和解释,用于预测肺结节中高风险的预后病理成分:整合临床特征,血清瘤标志物和成像特征

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是一门学科.
• 医疗保健中的机器学习

背景情况:

• 肺结节 (PNs) 的查率增加凸显了识别高风险预后病理组件 (HRPPC) 的挑战.
• 准确识别HRPPC对于有效的患者管理和治疗规划至关重要.

研究的目的:

• 开发和验证一个多参数机器学习模型,以改善PNS中HRPPC的歧视.
• 提高HRPPC预测的准确性,从而帮助临床决策.

主要方法:

• 利用拉索回归来识别13个关键特征从高分辨率的胸部CT图像和816名患者的临床病理数据.
• 构建了一个XGB机器学习模型,使用ROC曲线,校准曲线和决策曲线分析 (DCA) 评估其性能.
• 采用SHAP值来解释模型的可解释性,识别关键预测因素.

主要成果:

• XGB模型表现出极好的预测性能,AUC为0.930 (训练) 和0.835 (验证).
• 该模型显示DCA的良好校准和积极的临床实用性.
• 对于HRPPC的顶级预测因素包括CT值,结节长直径和PRO-GRP.

结论:

• 开发的PNS中HRPPC的预测模型表现出强大的歧视,校准和临床实用性.
• 胸部外科医生可以在没有侵入性手术的情况下可靠地预测HRPPC,从而有可能改善诊断工作流程.