使用机器和深度学习技术对计算机断层扫描进行定量放射性分析,可以准确预测非小细胞肺癌的组织学亚型:回顾性分析

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 非小细胞肺癌 (NSCLC) 组织学亚型显著影响治疗策略.
• 精确的手术前病原体检查至关重要,但并不总是可行的.
• CT放射性分析为预测NSCLC亚型提供了一个有希望的,非侵入性的方法.

研究的目的:

• 使用机器学习 (ML) 和深度学习 (DL) 模型预测NSCLC组织学亚型.
• 为了评估从CT扫描中提取的放射性特征的疗效,用于亚型分类.
• 为此预测任务确定最有效的ML/DL模型.

主要方法:

• 来自癌症成像档案 (TCIA) 的422个肺部CT扫描的分析.
• 主要瘤的细分由专家放射科医生.
• 使用PyRadiomics提取和选择了2446个放射性特征,最终产生了179个特征.
• 实施和比较各种ML模型 (LR,SVM,RF,XGBoost,LightGBM,CatBoost) 和一个深度神经网络 (DNN).

主要成果:

• 随机森林 (RF) 实现了最高准确度 (78%) 和AUC-ROC的94%.
• 提升模型 (LightGBM,XGBoost,CatBoost) 和DNN模型也显示出高的AUC-ROC值 (分别为95%,93%,93%和94.4%).
• 与后勤回归相比,RF,增强模型和DNN被确定为对组织学亚型预测的优越性.

结论:

• 量化放射性分析与ML相结合,可以准确地确定NSCLC组织学亚型.
• 随机森林,整体模型和DNN显示了在手术前进行NSCLC分类的巨大潜力.
• 这种方法可以帮助简化NSCLC患者的治疗决策.