在非小细胞肺癌中基于机器学习的N2淋巴结转移的预测
Eren Erdogdu1, İlkay Öksüz2, Salih Duman3
1Department of Thoracic Surgery, Faculty of Medicine, Istanbul University, Istanbul, Turkey.
BMC pulmonary medicine
|October 6, 2025
概括
机器学习模型显著改善了肺癌患者N2淋巴结转移的预测. 这种人工智能方法提高了诊断的准确性,帮助临床决策和改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 肺癌仍然是全球癌症死亡的主要原因之一.
- 准确的中枢淋巴结分期对于肺癌治疗计划至关重要.
- 目前的非侵入性方法缺乏足够的准确性,无法在没有组织学的情况下做出外科决定.
研究的目的:
- 开发一种人工智能模型,精确预测N2淋巴结转移.
- 将机器学习模型的诊断性能与标准统计分析进行比较.
主要方法:
- 对1489名接受宫介质镜检查的患者进行了回顾性分析.
- 开发了三种预测模型:统计分析,使用CT成像进行深度学习,使用临床病理学/放射学数据进行机器学习.
- 诊断准确度,AUC,灵敏度,特异性和F1分数的比较.
主要成果:
- 机器学习模型,包括线性支向量机 (准确率95.7%,AUC93.5%,F1得分92%),显著优于统计模型 (准确率90.6%,AUC85.7%).
- 几种机器学习算法在预测N2淋巴结转移时的准确度超过了90%.
- 线性支向量机器模型显示了最高的性能指标.
结论:
- 与传统的统计方法相比,机器学习模型在预测N2淋巴结转移方面提供了卓越的性能.
- 实施这些人工智能模型可以提高淋巴结转移检测的准确性.
- 通过机器学习提高诊断准确度,可以带来更好的临床决策和患者结果.
