一个可解释的机器学习模型,通过F-FDG PET/CT预测淋巴瘤患者的骨髓入侵:一个多中心研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的骨髓入侵 (BMI) 识别对于淋巴瘤的预后和治疗至关重要.
• 骨髓活检 (BMB) 是当前的标准,但具有诸如侵入性和采样错误等局限性.
• 需要使用非侵入性的替代方法来改善淋巴瘤的分期.

研究的目的:

• 开发和验证可解释的机器学习模型,用于预测淋巴瘤患者的BMI.
• 该模型整合了临床数据,18F-氧葡萄糖正子发射断层扫描/计算机断层扫描 (18F-FDG PET/CT) 参数,放射性特征和深度学习特征.
• 评估模型的性能及其对医生诊断准确性的影响.

主要方法:

• 分析了159名新诊断的淋巴瘤患者的队列.
• 数据包括临床参数,PET/CT特征,放射性特征和深度学习特征.
• 机器学习模型是使用培训,内部测试和外部验证集开发和验证的. 为了解释性,使用了SHAP分析.

主要成果:

• 结合机器学习模型在外部验证中实现了0.886的AUC,超过了使用单个数据类型的模型.
• 关键预测因素包括B型症状,血小板数和PET放射性特征.
• 模型辅助显著改善了初级读者诊断性能 (AUC从0.663到0.818).

结论:

• 一个集成多种数据类型的可解释AI模型在预测淋巴瘤BMI方面表现强.
• 该模型提高了医生诊断的准确性,表明有可能减少对侵入性BMB的依赖.
• 这种方法突出了人工智能的临床实用性,用于补充淋巴瘤分期的医疗专业知识.