基于AI提取的放射性特征的机器学习模型来预测肺部地面玻璃结节的病理侵入性
Guozhen Yang1, Yuanheng Huang1, Huiguo Chen1
1Department of Cardiothoracic Surgery, Third Affiliated Hospital of Sun Yat-sen University, Guangzhou, China.
Thoracic cancer
|August 1, 2025
概括
一个新的AI模型使用CT放射性特征准确地预测了地面玻璃结节 (GGNs) 中的肺癌侵入性. 这种机器学习方法有助于区分侵袭前病变和侵袭性腺癌 (IAC),以便更好地进行手术规划.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肺部地面玻璃结节 (GGNs) 的检测增加了低剂量CT查.
- 将侵袭性腺癌 (IAC) 与侵袭性前侵袭性病变区分开来,带来了诊断上的挑战.
研究的目的:
- 使用人工智能提取的CT放射性特征开发机器学习 (ML) 模型.
- 预测GGN的侵入性,以帮助临床决策.
主要方法:
- 对285名患者 (培训/验证) 和210名患者 (外部验证) 的回顾性分析.
- 使用Boruta和LASSO算法提取和过了19个放射性特征.
- 评估了7个ML分类器,重点关注使用AUC-ROC,DCA和SHAP的梯度提升机 (GBM) 性能.
主要成果:
- GBM模型实现了高性能:0.965 AUC (培训),0.908 (内部验证) 和0.965 (外部验证).
- 外部验证显示准确率为88.1%,特异性为80.7%,F1得分为0.87.
- SHAP分析确定了中位数CT值和斜率作为关键预测指标.
结论:
- 使用人工智能提取的放射性特征的简化ML模型显示了GGN侵入性的强有力的预测性能.
- 该模型能够准确,非侵入性地区分IAC和惰性病变.
- 这支持手术前风险分层和精确的手术规划.
