基于放射学特征的多机器学习模型可以预测肌肉侵入性膀癌的预后
Bin Wang1,2, Zijian Gong1,3,4, Peide Su1,2
1The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, China.
BMC cancer
|July 2, 2025
概括
这项研究开发了一个渐变增强机 (GBM) 模型,使用CT成像放射性特征来预测肌肉侵入性膀癌患者的生存率. 将CT数据与临床信息相结合,进一步提高了预后准确性,帮助临床决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 肌肉侵入性膀癌 (MIBC) 需要准确的预后模型来进行有效的治疗计划.
- 目前的预后工具可能无法完全捕捉MIBC进展的复杂性.
- CT成像为生存预测提供了丰富的定量数据来源.
研究的目的:
- 使用基于CT的放射性特征开发和验证MIBC的生存预测模型.
- 为了比较MIBC预后的不同机器学习模型的性能.
- 评估临床数据与放射学结合的附加值,以改善生存预测.
主要方法:
- 追溯分析91名MIBC患者 (TCGA/TCIA) 和54名外部患者的CT成像数据.
- 从增强型CT扫描中提取和选择相关的放射性特征.
- 开发一个梯度增强机 (GBM) 放射学模型和一个与临床数据结合的诺米克模型.
- 使用ROC曲线,校准曲线,决策曲线和Kaplan-Meier分析进行绩效评估.
主要成果:
- 八个放射性特征被确定为重要的预测因素.
- 在训练,验证和外部测试集 (AUC从0.700到0.895) 中,GBM模型在预测2年和3年整体生存期 (OS) 中表现强.
- 纳米图模型结合临床数据显示出优异的预测准确度 (2年OS AUC高达0.913,3年OS AUC高达0.982) 和优异的校准,表明显著的临床效用.
结论:
- 基于CT的放射性特征,特别是使用GBM建模时,显示出预测MIBC患者预后的巨大潜力.
- 在nomogram模型中将临床数据与放射学数据集成,可以提高预测性能.
- 开发的诺莫格拉姆模型为MIBC管理中的临床决策提供了有价值的工具.
