生物可解释的机器学习模型用于预测清细胞细胞癌的病理分级,基于CT泌尿图谱 周周放射学 特性

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 清细胞细胞癌 (ccRCC) 的分级对于治疗决策至关重要.
• 目前的分级依赖于侵入性方法,促使对非侵入性替代品的研究.
• CT泌尿图 (CTU) 提供了非侵入性瘤表征的潜力.

研究的目的:

• 评估用于预测ccRCCISUP等级的机器学习模型,使用CTU衍生的周口腔区域 (PAT) 放射学.
• 评估放射学特征对瘤攻击性的非侵入性预测价值.

主要方法:

• 328名ccRCC患者的回顾性分析和175名患者的外部验证 (癌症基因组图谱).
• 从对比度增强的CT图像中提取1218个放射性特征.
• 使用LASSO回归的特征选择和使用后勤回归,多层感知器,支持矢量机和XGBoost的模型开发.
• 使用接收器操作特征 (ROC) 分析进行性能评估.

主要成果:

• XGBoost模型实现了高分辨能力:AUC为0.95 (培训),0.93 (内部验证) 和0.92 (外部验证).
• XGBoost显著优于其他模型 (p < 0.001) 并显示出预后值 (Log-rank p = 0.018).
• 转录组分析揭示了与高度预测相关的独特生物特征,包括代谢和免疫路径.

结论:

• 使用CTU PAT放射学的机器学习模型有效地预测ccRCC ISUP等级的非侵入性.
• XGBoost 模型展示了卓越的预测性能.
• 这种非侵入性方法可以改善手术前风险分层,并指导临床决策,可能减少对活检的需求.