在肺腺癌中预测淋巴结转移,使用基于PET/CT放射学的集体学习模型及其病理基础
Shulin Li1,2, Fang Chen3, Lei Wang1,2
1Postgraduate Cultivation Base of Guangzhou University of Chinese Medicine, Panyu Central Hospital, Guangzhou, China.
Frontiers in oncology
|September 10, 2025
概括
使用18F-FDG PET/CT放射学和临床因素的堆叠组合学习模型准确预测肺腺癌中的淋巴结转移. 这种方法为预测放射性特征提供了重要的生物学见解.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 淋巴结转移 (LNM) 对肺腺癌的分期和预后至关重要.
- 准确预测LNM对于指导治疗决策至关重要.
研究的目的:
- 开发和验证一个堆叠组合学习模型,用于预测肺腺癌中的LNM.
- 将18F-FDG PET/CT放射性特征与临床风险因素结合起来.
- 通过病理学分析探索预测特征的生物基础.
主要方法:
- 对90名肺腺癌患者进行回顾性分析,这些患者接受了18F-FDG PET/CT.
- 使用放射性和临床数据开发堆叠组合学习模型.
- 使用曲线下的面积 (AUC) 和与病理特征的相关性分析进行性能评估.
主要成果:
- 堆叠组合模型实现了高预测性能 (AUC 0.971训练,0.901测试).
- 支气管切断标志和血清CEA被确定为重要的临床风险因素.
- 放射性特征与Ki-67表达有很强的关联,表明生物相关性.
结论:
- 基于18F-FDG PET/CT放射学的堆叠合体学习模型显示,它有望预测肺腺癌中的LNM.
- 放射性特征的定量分析为瘤行为提供了重要的生物学见解.
