在肺癌中区分腺癌和状细胞癌,使用半自动细分和放射学
R Vijitha1, W M I S Wickramasinghe1, P A S Perera2
1Department of Radiography & Radiotherapy, Faculty of Allied Health Sciences, General Sir John Kotelawala Defence University, Ratmalana, Sri Lanka.
Radiography (London, England : 1995)
|June 25, 2025
概括
这项研究使用放射性分析区分非小细胞肺癌 (NSCLC) 亚型. 机器学习模型显示了改善诊断准确性和个性化治疗规划的潜力.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 数据科学在医学中的数据科学
背景情况:
- 非小细胞肺癌 (NSCLC) 亚型,腺癌 (AD) 和状细胞癌 (SCC) 是癌症死亡的主要原因.
- 精确区分NSCLC亚型对于有效的治疗策略至关重要.
研究的目的:
- 通过分析医学图像的放射性特征来对NSCLC亚型进行分类.
- 开发和评估用于非小细胞肺癌亚型分类的机器学习模型.
主要方法:
- 使用 3D Slicer 软件从 80 名 NSCLC 患者 (50 名 AD, 30 名 SCC) 中提取 107 个放射性特征.
- 采用LASSO逻辑回归来进行特征选择和十倍交叉验证.
- 实现随机森林 (RF) 和支持矢量机 (SVM) 进行分类.
主要成果:
- 放射性评分显示了中等的预测能力 (AUC训练:0.679,AUC验证:0.560).
- 射频模型实现了0.73准确度 (AUC:0.54),而SVM则实现了0.87准确度 (AUC:0.87).
- 在分类NSCLC亚型方面,SVM表现出卓越的性能.
结论:
- 放射性分析可以区分NSCLC的腺癌和状细胞癌亚型.
- 机器学习模型,特别是SVM,显示出改善NSCLC亚型的诊断准确性和非侵入性评估的希望.
- 需要进一步验证临床整合和个性化治疗计划.
