通过放射学和多二进制分类模型进行肺癌组织学差异化的非侵入性预测
Haoran Jiang1, Beichuan Zhu2, Lin Xia3
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Current medical imaging
|October 30, 2025
概括
这项研究开发了一种非侵入性放射学方法,使用机器学习来预测CT扫描中的非小细胞肺癌 (NSCLC) 差异化,提高了手术前评估的准确性.
科学领域:
- 放射学和机器学习在瘤学中的应用
- 医学成像和诊断 医学成像和诊断
- 癌症预后 癌症预后
背景情况:
- 非小细胞肺癌 (NSCLC) 的组织学差异化对于预后和治疗至关重要.
- 目前的评估方法 (术后病理学,活检) 是侵入性的,容易产生采样错误.
- 一种基于成像的非侵入性手术前分化方法具有临床意义.
研究的目的:
- 开发和评估一种基于放射学的非侵入性方法,用于NSCLC的手术前分化.
- 为了比较一个新的多二元分类策略与传统三元分类的性能.
- 评估机器学习模型在预测瘤分化等级方面的准确性和可解释性.
主要方法:
- 对184名手术前胸部CT扫描的NSCLC患者进行了回顾性分析.
- 使用PyRadiomics提取放射学特征,并通过LASSO算法进行选择.
- 实施三项任务二进制分类策略,并评估GBDT,RF,XGBoost和LightGBM模型.
主要成果:
- 在低差异化预测中,GBDT模型获得了最高的AUC (0.849);在高差异化预测中,RF表现出色 (AUC=0.7188).
- 适度差异化预测显示所有模型的性能有限 (AUC <0.55).
- SHAP分析确定了瘤等级差异化的关键放射学特征 (例如,原始_第一顺序_Kurtosis).
结论:
- 多二元策略增强了NSCLC分化的分类细分性和可解释性.
- 集体学习模型表现出强的性能,特别是在极端的差异化水平.
- 这种基于放射学的框架提供了一个非侵入性的工具,以帮助在肺癌管理中进行手术前决策.
