多算法放射学机器学习模型整合了超声波成像和炎症免疫特征,用于肝转移的识别

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 区分肝转移 (HM) 和原发性肝恶性瘤 (PLMC) 是具有挑战性的,因为类似的病理基础和成像发现.
• 超声波成像本身在区分HM和PLMC方面存在局限性.

研究的目的:

• 探索多算法放射学机器学习模型的诊断价值.
• 将超声波成像功能与炎症免疫标记器集成,以改善HM识别.

主要方法:

• 对104名肝癌患者的回顾性分析,分为培训 (60%) 和内部验证 (40%) 队列,与45名患者的外部验证队列.
• 使用PyRadiomics提取107个放射性特征,并通过Wilcoxon测试识别显著特征.
• 开发98个机器学习模型,整合放射性和炎症免疫特征 (血小板与淋巴细胞比率[PLR]和血小板与白蛋白比率[PAR]),使用ROC曲线和SHAP分析进行评估.

主要成果:

• 确定了15个与HM显著相关的放射性特征 (P < 0.001).
• 最优的放射学模型 (随机森林+梯度增强机) 实现了AUC为0.77 (训练),0.82 (内部验证) 和0.70 (外部验证).
• 将放射性特征与PLR/PAR集成,改善了培训队列中的识别 (AUC=0.84) 和外部验证 (AUC=0.74),其中PAR是关键预测因素.

结论:

• 放射性特征和炎症免疫标志物在识别HM方面显示出潜在的临床实用性.
• 整合成像和基于血液的生物标志物的机器学习模型为HM诊断提供了一个有希望的方法.
• 需要进一步的研究来验证和完善这些综合模型的临床应用.