基于机器学习的放射学,用于区分脑转移中的肺癌亚型,使用CE-T1WI
Xueming Xia1, Wei Du2, Qiheng Gou1
1Division of Head & Neck Tumor Multimodality Treatment, Cancer Center, West China Hospital, Sichuan University, Chengdu, China.
Frontiers in oncology
|July 4, 2025
概括
机器学习放射学有效地区分非小细胞肺癌 (NSCLC) 与小细胞肺癌 (SCLC) 在大脑转移中使用对比增强的T1加权成像. 轻GBM模型显示作为一种非侵入性诊断工具的承诺.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 区分非小细胞肺癌 (NSCLC) 和小细胞肺癌 (SCLC) 脑转移 (BM) 对于治疗至关重要.
- 使用常规成像,精确的区分可能是具有挑战性的.
研究的目的:
- 开发和验证基于机器学习的放射性模型.
- 使用对比度增强的T1加权成像 (CE-T1WI) 在BM患者中区分原发性NSCLC和SCLC.
主要方法:
- 从260名患有BM的患者 (173名NSCLC,87名SCLC) 中提取了833个放射性特征.
- 利用多步选择 (LASSO) 来确定15个最佳特征.
- 在CE-T1WI数据上训练了10个机器学习模型,包括LightGBM,RandomForest和XGBoost.
主要成果:
- 顶级模型 (XGBoost,LightGBM,SVM,RandomForest) 在训练中获得了高AUC (0.855-0.963).
- 在测试队列中,LightGBM表现优越,AUC为0.853.
- 放射性特征显著有助于区分NSCLC和SCLC.
结论:
- 使用CE-T1WI的机器学习放射学对于区分NSCLC和SCLC脑转移是有效的.
- 轻GBM模型显示出作为一种支持性,非侵入性诊断工具的潜力.
- 建议对临床应用进行进一步的前性验证.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K
