基于CT的机器学习模型,集成内和周围瘤放射特征,用于预测周围肺癌中隐性淋巴结转移
Xiaoyan Lu1, Fan Liu1, Jiahui E1
1Department of Radiology, Tianjin Medical University Cancer Institute & Hospital, National Clinical Research Center for Cancer; Tianjin's Clinical Research Center for Cancer; Key Laboratory of Cancer Immunology and Biotherapy, Tianjin, Huan-Hu-Xi Road, Ti-Yuan-Bei, He Xi District, Tianjin, China.
这项研究开发了一种基于CT的机器学习模型,用于预测肺癌患者的隐性淋巴结转移 (OLNM). 临床放射学模型准确地识别了OLNM,有助于个性化的手术前风险评估.
科学领域:
- 癌症学
- 放射学
- 医学成像
背景情况:
- 对隐性淋巴结转移 (OLNM) 的准确手术前评估对于肺癌治疗决定至关重要.
- 计算机断层扫描 (CT) 是手术前评估的主要成像方法.
研究的目的:
- 开发和验证基于CT的机器学习模型,用于预测肺癌中的OLNM.
- 该模型整合了瘤内和瘤周边放射学特征.
主要方法:
- 对844名外围肺癌患者 (591名培训,253名验证) 的回顾性分析.
- 从总瘤体积 (GTV) 和周围瘤体积 (PTV3,PTV6,PTV9) 中提取1688个放射性特征.
- 使用后勤回归的临床放射学模型的开发,包括放射学特征,临床因素 (CEA) 和CT特征 (分球,瘤-多叶膜关系).
主要成果:
- 通过PTV9的放射学特征,
- 综合临床放射学模型在预测OLNM方面取得了很高的准确性 (AUC 0. 819培训,0. 801验证).
- 该模型在两个队列中显著优于单独的临床模型.
结论:
- 开发的临床放射学模型是OLNM手术前风险评估的非侵入性工具.
- 这种方法支持针对肺癌患者的个性化治疗策略.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018