用CT放射学和放射学特征来预测底底固体结节的生长趋势的预测模型
Chengxiu Yuan1, Hui Li2, Jinliang Zhang2
1Department of Radiology, The First Affiliated Hospital of Shandong First Medical University and Shandong Provincial Qianfoshan Hospital, Shandong Lung Cancer Institute, Shandong Institute of Neuroimmunology, Jinan, China.
Scientific reports
|July 9, 2025
概括
一个新的综合放射学-放射学模型准确地预测了亚多层亚固体结节 (SSN) 的生长. 该工具有助于优化后续策略,减少不必要的监测,并使高风险结节的及时干预成为可能.
科学领域:
- 肺部医学 肺部医学
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 脑下脑膜下固体结节 (SSN) 对早期恶性瘤风险分层提出了诊断挑战.
- 目前的方法可能会导致过度监测或延迟SSNs的治疗.
- 准确预测SSN增长对于个性化患者管理至关重要.
研究的目的:
- 开发和验证一个结合的放射学和放射学模型,用于预测亚多性SSN的生长.
- 为SSNs患者优化个性化的随访策略.
- 改善早期恶性转变的风险分层.
主要方法:
- 追溯分析494个脑下多叶神经网络,至少有3年的随访CT数据.
- 提取和分析放射学和放射学特征.
- 使用LASSO回归和组合模型的构建,开发一个放射学分数 (Radscore).
主要成果:
- 组合模型在预测SSN增长方面表现出很高的表现 (AUC在训练中为0.896,在测试组中为0.842).
- 它的性能优于纯粹的放射学模型,并且与放射学模型的性能相当.
- 关键预测因素包括部分固体结节类型,不规则的形态和膜收缩.
结论:
- 结合的放射学-放射学模型有效地预测了脑下SSN的生长.
- 这种模型为指导后续决策和干预提供了更好的临床实用性.
- 它可以更好地分层风险,减少不必要的监测,并优先考虑高风险结节的早期治疗.
