可解释的机器学习用于预测肺腺癌的入侵性,使用CT图像呈现为地面玻璃结节
Huairong Zhang1, Lina Miao2, Li Ma1
1Deparment of Radiology, the General Hospital of Ningxia Medical University, Yinchuan 750003, China (H.Z., L.M., X.S., L.N.O., Y.W., P.W., L.Z.).
Academic radiology
|October 23, 2025
概括
这项研究开发了一种综合放射学,深度学习和内息地分析的综合模型,以准确预测早期肺腺癌地面玻璃结节 (GGNs) 的入侵性. 这种方法支持针对肺癌的个性化手术决策.
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.
- 人工智能在医学中的应用
背景情况:
- 在早期肺腺癌呈现为地面玻璃结节 (GGNs) 时,准确预测侵袭性是具有挑战性的.
- 在适当的治疗和个性化手术决策方面,区分侵袭性腺癌和侵袭性腺癌的侵袭前病变至关重要.
研究的目的:
- 整合放射学,深度学习和内息地特征,以改善GGN入侵性的预测.
- 开发一个强大的模型,支持个性化手术决策在早期的肺腺癌.
主要方法:
- 这是一项双中心的回顾性研究,对516名病理确诊的GGNs患者进行了研究.
- 从非对比CT (NECT) 和对比增强CT (CECT),深度学习特征 (ResNet50) 和使用K-means集群的内息地分析 (ITH) 整合放射学.
- 开发和验证八个预测模型,包括一个全面的动态名录,使用AUC,DCA和校准曲线进行评估.
主要成果:
- 综合模型在区分侵袭性腺癌和前侵袭性病变方面表现出高准确性,AUC为0.92 (训练),0.90 (内部验证) 和0.85 (外部验证).
- 该模型在验证集中实现了高灵敏度和特异性,决策曲线分析表明具有显著的临床实用性.
- SHAP分析确定了基于波形的纹理特征,深度学习特征和ITH特征是预测性能的主要贡献者.
结论:
- 该综合模型可靠地预测了GGN在肺腺癌中的侵入性.
- 这种多模式的方法弥合了成像和病理学,为早期肺癌提供了个性化外科决策的潜在进展.
