内异质性得分通过堆叠组合机器学习增强了通过堆叠组合机器学习在肺地面玻璃结节中的侵入性预测

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是指放射学
• 在瘤学瘤学.

背景情况:

• 在CT上精确的术前分化肺腺癌亚型 (adenocarcinoma in situ,微侵袭性腺癌,侵袭性腺癌) 是具有挑战性的.
• 地玻璃结节需要精确的分类,以获得最佳的临床管理.

研究的目的:

• 开发和验证机器学习模型,使用CT对肺腺癌侵入性进行三元分类.
• 评估内异质性得分在提高分类准确性的有用性.

主要方法:

• 一个多中心的回顾性研究开发了堆叠组合机器学习模型.
• 模型包含了内异质性得分和临床放射学特征.
• 模型的选择是基于在验证集中最大化曲线下的宏平均面积 (宏AUC).

主要成果:

• 堆叠分类器实现了卓越的性能,宏观AUC值为0.7850 (内部) 和0.7717 (外部) 验证.
• 关键的预测特征包括内异质性得分,结核大小,结核类型和患者年龄.
• 该模型有效地对802名患者的肺腺癌侵入性进行了分类.

结论:

• 集成内异质性得分的堆叠分类器是对CT肺腺癌侵入性进行分类的最佳选择.
• 这种方法提高了接地玻璃结节的诊断精度.
• 内异质性得分,结节大小,类型和年龄是侵入性的重要预测因素.