使用基于光谱CT的可解释机器学习模型识别可切割NSCLC中的PD-L1表达
Henan Lou1, Shiyu Cui1, Yinying Dong2
1Department of Radiology, The Affiliated Hospital of Qingdao University, Qingdao 266003, China.
Current medical imaging
|October 15, 2025
概括
使用光谱计算机断层扫描 (CT) 的机器学习模型有效地预测了非小细胞肺癌 (NSCLC) 中的编程死亡联体-1 (PD-L1) 表达. XGBoost模型显示出高精度,为改善治疗策略提供了潜力.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 人工智能在医学中的应用
- 癌症生物标志物 癌症生物标志物
背景情况:
- 编程死亡联体-1 (PD-L1) 表达对于预测非小细胞肺癌 (NSCLC) 治疗反应至关重要.
- 在切除性NSCLC中,准确的PD-L1表达的治疗前评估具有挑战性.
研究的目的:
- 评估与光谱计算机断层扫描 (CT) 集成的机器学习模型的有效性,用于预测可切除NSCLC中的PD-L1表达.
- 识别有助于PD-L1表达预测的关键光谱CT特征.
主要方法:
- 对131名可切除NSCLC患者进行回顾性分析,这些患者接受了光谱CT.
- 开发和比较使用临床成像和光谱CT定量参数的八种机器学习模型.
- 通过后勤回归和LASSO回归进行变量选择;使用AUC,灵敏度,特异性,精度,F1得分和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 极端梯度增强 (XGBoost) 模型在测试队列中实现了最高性能,AUC为0.887.
- 关键预测因素包括静脉阶段的腔化,地面玻璃不透明度和光谱CT参数 (CT40keV,CT70keV).
- 通过DCA和校准曲线,XGBoost模型显示出有利的临床效用和高预测准确性.
结论:
- 结合光谱CT定量参数和成像特征的机器学习模型显示了在可切除NSCLC中预测PD-L1表达的巨大潜力.
- 这种方法可能有助于非侵入性评估PD-L1状态,指导个性化治疗决策.
