基于DECT的成像生物标志物和机器学习对预测细胞癌亚型的作用

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 细胞癌 (RCC) 是一种常见的恶性瘤.
• 清晰细胞RCC (ccRCC) 和非ccRCC之间的准确区分对于治疗规划至关重要.
• 双能CT (DECT) 提供定量成像生物标志物,可以帮助瘤的特征.

研究的目的:

• 评估和比较来自DECT的定量参数,以区分ccRCC与非ccRCC.
• 用DECT数据评估机器学习 (ML) 模型在分类ccRCC亚型和预测瘤等级方面的准确性.

主要方法:

• 在手术前接受DECT治疗的112名RCC患者的回顾性分析.
• 通过两个独立的读数器测量度 (IC) 和比 (IR).
• 开发和评估用于分类和分级任务的ML模型 (随机森林,AdaBoost).

主要成果:

• 个别DECT参数 (IC,IR) 在区分ccRCC与非ccRCC时显示中度准确度 (77.7%,77.5%).
• 机器学习模型,特别是AdaBoost,在ccRCC分类方面实现了更高的准确性,在组合时达到100%.
• DECT参数和ML模型在预测ccRCC等级方面表现出类似的准确性 (约为77%),组合的ML模型表现出更好的性能.

结论:

• 基于DECT的定量成像生物标志物为ccRCC差异化提供了中度的诊断准确性.
• 机器学习显著提高了用于ccRCC分类和分级的DECT诊断性能.
• 与DECT的ML集成有望改善脏瘤的非侵入性表征.