机器学习模型的开发和验证,用于预测STAS在I期肺腺癌中的部分固体和固体结节:一项两中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 数据科学数据科学数据科学

背景情况:

• 通过空气空间传播 (STAS) 是肺腺癌的预后因素.
• 术前预测STAS对于I期肺癌的手术规划至关重要.
• 区分部分固体和固体结节需要准确的STAS评估.

研究的目的:

• 开发和验证用于在I期肺腺癌中进行STAS手术前预测的机器学习模型.
• 确定可预测STAS的关键临床特征.
• 为优化外科手术策略和患者咨询提供一个工具.

主要方法:

• 对473名I期肺腺癌患者的回顾性分析.
• 使用mRMR和LASSO算法进行特征选择.
• 开发和评估七个机器学习模型,包括XGBoost,使用ROC曲线,校准图和DCA.
• 对特征重要性进行SHAP分析,并构建基于Web的名字图.

主要成果:

• STAS的流行率为44.76% (培训) 和50.83% (验证).
• 该XGBoost模型实现了高预测性能 (AUC 0.889培训,0.856验证).
• 关键预测因素包括CEA,血管收,proGRP,年龄,AFP,吸烟史和CTR.

结论:

• XGBoost模型为I期肺腺癌提供了强大的手术前STAS预测.
• 这种工具可以帮助临床医生优化手术方法.
• 准确的STAS预测可以提高患者的咨询和治疗计划.