在IB-IIA阶段的非小细胞肺癌中开发多特征预测模型:多中心分析
Xiaomei Zhong1, Huan Lin1, Rong Zhang2
1Department of Radiology, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, China; Guangdong Provincial Key Laboratory of Artificial Intelligence in Medical Image Analysis and Application, Guangzhou, China.
European journal of radiology
|September 3, 2025
概括
结合临床病理学数据,放射学和深度学习的新组合模型准确预测非小细胞肺癌 (NSCLC) 患者的无疾病生存率. 这种工具将患者分为高风险和低风险组进行个性化治疗.
科学领域:
- 癌症学
- 医学成像
- 人工智能
背景情况:
- 准确的风险分层对于管理IB-IIA阶段的非小细胞肺癌 (NSCLC) 是至关重要的.
- 整合多种数据来源可以提高患者预测结果的准确性.
研究的目的:
- 开发和验证IB-IIA阶段NSCLC的综合风险分层模型.
- 将临床病理数据与治疗前CT成像特征 (放射学和深度学习) 整合起来,以改善无病生存率 (DFS) 的预测.
主要方法:
- 一个回顾性研究使用了三个独立的队列 (n=370,120,70) 进行模型开发和验证.
- 一个多特征组合模型 (CRD模型) 整合了临床病理因素,放射学特征和基于ResNet50的深度学习模型的后勤回归.
- 无病生存率 (DFS) 是主要终点,并使用SHAP分析评估模型的可解释性.
主要成果:
- 在CRD模型中,AUC为0. 865 (训练),0. 798 (内部验证) 和0. 803 (外部验证) 的DFS预测性能优异.
- 在外部验证队列中,CRD模型有效地将患者分为高风险和低风险组,显著危险比率 (HR) 为17. 509.
- SHAP分析表明,放射性特征是CRD模型预测能力的最重要贡献者.
结论:
- 开发的多特征组合模型准确预测IB-IIA期NSCLC中的DFS.
- 这种模式可以有效地识别高风险患者,促进个性化术后治疗策略.
- 改善风险分层有可能改善早期NSCLC患者的治疗结果.
更多相关视频
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
8.3K
03:05Author Spotlight: Advancing Early Detection and Treatment of Gastrointestinal Tumors
Published on: February 16, 2024
1.2K