一个基于放射学的机器学习模型和SHAP用于预测通过空气空间的传播及其在I期肺腺癌的预后影响:一个多中心队列研究

科学领域:

• 放射学和机器学习在瘤学中的应用
• 量化成像分析的分析方法
• 胸部外科和瘤学

背景情况:

• 肺腺癌的术后复发率很高,特别是在瘤通过空气空间传播时.
• 早期的肺腺癌需要可靠的术前预测模型来调整治疗.
• 目前的检测和切除方法在预测复发风险方面存在局限性.

研究的目的:

• 在I期肺腺癌中,开发和验证通过空气空间传播瘤的手术前预测模型.
• 将基于放射学模型的性能与传统的临床模型进行比较.
• 将定量成像功能与临床数据相结合,以提高预测准确度.

主要方法:

• 一个多中心的回顾性研究,涉及609名患有病态I期肺腺癌的患者.
• 从初级瘤和周围瘤区域的CT扫描中提取和过定量成像特征.
• 使用机器学习开发放射学,临床和综合预测模型,包括弹性净回归.

主要成果:

• 放射学模型在预测瘤扩散方面表现出高精度 (AUC高达0.829).
• 结合成像和临床特征的组合模型实现了最高的性能 (AUC高达0.894).
• 放射学模型的表现明显优于临床模型 (AUC 0.807 与 0.689).
• 预测的瘤扩散与明显较短的无进展生存时间相关.

结论:

• 一个新的机器学习模型整合了瘤和周围瘤区域的放射特征,可以在手术前预测I期肺腺癌中瘤的扩散.
• 与传统的临床模型相比,开发的模型显示出更高的性能.
• 定量成像分析具有个性化肺癌治疗策略的巨大潜力.