通过随机森林模型预测NSCLCEGFR突变:临床-CT-放射学整合方法

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 非小细胞肺癌 (NSCLC) 是全球癌症死亡的主要原因.
• 精确的表皮生长因子受体 (EGFR) 突变状态对于选择用氨酸激酶抑制剂 (TKI) 进行向治疗至关重要.
• 针对EGFR状态的侵入性组织基因型鉴定可能受到可访问性和样本质量的限制.

研究的目的:

• 开发和验证一种非侵入性机器学习模型,用于预测NSCLC患者的EGFR突变状态.
• 整合临床数据,CT形态特征和放射性描述符,以提高预测准确度.
• 评估开发模型作为查工具的临床实用性.

主要方法:

• 一项对138名具有EGFR状况确认和治疗前CT扫描的NSCLC患者的回顾性分析.
• 使用PyRadiomics提取放射性特征,然后通过相互信息,斯皮尔曼相关性和包装方法进行特征选择.
• 培训和评估五个随机森林模型,根据性能指标选择最佳模型.

主要成果:

• 最优的机器学习模型,利用11个选定的变量,实现了0.91的曲线下面积 (AUC) 和0.88±0.03.0的精度.
• 亚组分析表明,野生类型 (WT) EGFR预测的高性能 (精度0.93,回忆0.92,F1得分0.91) 和突变EGFR预测的良好性能 (精度0.76,回忆0.71,F1得分0.68).
• 莎普利添加剂扩展 (SHAP) 确定了烟草使用,增强模式和灰色水平区域作为重要的预测因素;决策曲线分析证实了临床效用.

结论:

• 结合临床,CT形态和放射性特征的非侵入性机器学习模型可以准确预测NSCLC中的EGFR突变状态.
• 这种模型显示出作为一种非侵入性查工具的巨大潜力,可能减少对侵入性手术的需求.
• 这些发现支持将人工智能驱动的放射学纳入个性化NSCLC治疗策略.