一种临床放射学诺莫图,用于手术前预测侵袭性微毛细细胞和肺腺癌中的固体模式
Xiangyu Xie1, Lei Chen1, Kun Li1
1Department of Thoracic Surgery, The First People's Hospital of Changzhou and The Third Affiliated Hospital of Soochow University, Changzhou 213000, China.
Current oncology (Toronto, Ont.)
|June 25, 2025
概括
在手术前准确识别侵袭性肺腺癌模式,如微毛囊和固体模式至关重要. 将临床数据与放射学分析结合起来,可以显著提高诊断准确度,帮助治疗决策.
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
背景情况:
- 肺腺癌 (LUAD) 中的微毛囊型 (MP) 和固体型 (SP) 与预后不佳有关.
- 准确的手术前识别这些攻击性模式对于患者管理至关重要.
研究的目的:
- 开发和验证一个预测模型,以区分高风险的MP/SP在LUAD.
- 结合临床和放射学特征,提高诊断准确度.
主要方法:
- 对180名经过手术确认的非小细胞肺癌 (NSCLC) 患者的回顾性分析.
- 开发三个模型:临床,放射学和一个全面的综合模型.
- 使用LASSO进行特征选择,并通过3D Slicer进行提取.
主要成果:
- 综合临床和放射学数据的综合模型实现了最高的诊断准确性 (AUC为0.9186培训,0.9396验证).
- 放射学模型 (AUC 0.8896培训,0.8901验证) 的表现优于临床模型 (AUC 0.7975培训,0.8462验证).
- 决策曲线分析证实了联合方法的增强临床效用.
结论:
- 整合临床和放射学特征显著增强了侵略性NSCLC模式的手术前识别.
- 综合模型作为一个有价值的工具来指导手术和辅助治疗决策在LUAD.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
201
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
