整合机器学习分类器 结合CT放射学和临床放射学特征,用于在肺腺癌中预先预测病理侵入性 呈现为部分固体结节:多中心回顾性研究
Yunhua Li1, Jianbang Ding2, Kun Wu3
1Department of Radiology, the Jintang First People's Hospital, West China Sichuan University Jintang Hospital, Chengdu, China.
Technology in cancer research & treatment
|June 17, 2025
概括
这项研究开发了一种机器学习模型,使用CT扫描和临床数据预测部分固体结节中的侵入性肺腺癌. 最好的模型准确地识别了侵入性,有助于手术规划.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 肺腺癌中部分固体结节 (PSN) 需要准确的手术前入侵性评估来预后和手术规划.
- 在手术前区分侵袭性PSN和非侵袭性PSN仍然是一个临床挑战.
研究的目的:
- 开发一个集体机器学习分类器,集成计算机断层扫描 (CT) 放射性特征和临床放射学数据.
- 为了提高在肺腺癌呈现为PSN的病理侵入性的术前预测.
主要方法:
- 在3个中心对344名病理确诊的肺腺癌PSN患者进行了回顾性分析.
- 从CT扫描中提取1239个放射性特征,构建放射性得分,并评估集合分类器 (堆叠,投票).
- 将放射性评分与临床放射学特征集成,以提高预测性能.
主要成果:
- 堆叠组合分类器实现了最高的性能.
- 获得AUC为0.84,准确率为0.817,F1得分为0.869,精度为0.818,回忆率为0.926.
- 该模型协同结合了CT放射学和临床放射学特征.
结论:
- 开发的堆叠组合学习分类器是临床上可行的工具.
- 它改善了在PSN型肺腺癌中病理侵入性的术前预测.
- 增强肺腺癌患者个性化手术规划.
