基于放射学的机器学习,用于区分肺状细胞癌和腺癌,使用T1增强的脑转移MRI进行脑转移

科学领域:

• 放射学和机器学习在瘤学中的应用
• 医学成像分析 医学成像分析
• 癌症的诊断 癌症的诊断

背景情况:

• 区分肺腺癌 (AC) 和状细胞癌 (SCC) 脑转移 (BMs) 对于治疗至关重要,但具有挑战性.
• 现有的方法往往侧重于原发性肺瘤,在分析转移性病变方面留下了一个空白.
• 在BM中进行NSCLC亚型的非侵入性分类是指导个性化治疗的必要条件.

研究的目的:

• 开发和评估一个基于放射学的机器学习模型,用于区分肺SCC和AC的患者.
• 为了利用T1增强的MRI特征进行NSCLC亚型的非侵入性分类.
• 为了应对转移性脑损伤带来的诊断挑战.

主要方法:

• 对173名患有肺癌的BM (88名AC,85名SCC) 患者的回顾性分析.
• 使用PyRadiomics从细分病变中提取833个放射性特征.
• 通过单变量分析,相关性分析和LASSO回归来选择特征.
• 培训和验证十个机器学习分类器,通过ROC曲线和AUC来评估性能.

主要成果:

• 在训练组中,LightGBM分类器表现出卓越的性能,达到81.4%的准确度,72.6%的灵敏度和89.6%的特异性.
• 在独立测试组的验证中,准确率为77.9%,灵敏度为72.5%,特异性为85.7%.
• 该模型实现了0.858 (训练) 和0.857 (测试) 的AUC,有效区分SCC和AC BMs.

结论:

• 基于放射学的机器学习模型可以使用MRI准确地对脑转移中的NSCLC亚型 (SCC与AC) 进行分类.
• 这种非侵入性方法为指导肺癌患者的个性化治疗策略提供了有价值的工具.
• 建议在更大的多中心研究中进行进一步验证,以确认该模型的通用性.