基于多DECT图像的放射学与可解释的机器学习用于术前预测瘤芽级别和结直肠癌的预后:双中心研究

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

背景情况:

• 瘤芽 (TB) 是结直肠癌 (CRC) 的关键预后因素.
• 准确的结核病等级和患者预后的术前评估对于最佳的CRC管理至关重要.
• 目前用于结核病评估的方法可能具有侵入性或缺乏预测准确性.

研究的目的:

• 评估多参数双能量计算机断层扫描 (多DECT) 放射学在CRC中的瘤芽 (TB) 级的预测性能.
• 评估多DECT放射学预测预后的能力,特别是CRC患者的无复发生存率 (RFS).
• 开发和验证一种非侵入性模型,用于在CRC中进行结核病等级和RFS的术前预测.

主要方法:

• 从510名CRC患者的多DECT图像 (包括多能,虚拟单能,度和有效原子数图像) 中提取了放射性特征.
• 九个机器学习 (ML) 算法用于构建放射学模型,极端梯度增强 (XGB) 显示出最佳性能.
• 一个基于ML的融合模型结合了临床放射学变量和XGB衍生的多DECT放射学特征,在培训,内部和外部队列中进行了开发和验证.

主要成果:

• 基于XGB的融合模型在预测结核病等级方面表现出很高的准确性,AUC为0.969 (训练),0.934 (内部验证) 和0.897 (外部验证).
• 融合模型在预测结核病等级方面显著优于临床放射学模型.
• 模型预测的高结核病等级在培训和内部验证队列中显著与更糟糕的RFS相关 (分别P < 0.001和P = 0.016).

结论:

• 多参数双能CT (多DECT) 放射学,特别是使用基于XGB的融合模型,提供了一个强大的非侵入性工具,用于手术前预测CRC中的瘤芽级别.
• 这种方法还可以预测无复发的存活率,使得CRC患者的手术前风险分层更好.
• 开发的模型有望改善CRC的临床决策和患者管理.