改进机器学习模型,以基于三角洲放射学来预测肺腺癌的高度亚型:一个多中心队列研究

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 肺腺癌 (LUAD) 的分级对于治疗选择至关重要.
• 在手术前准确预测高档LUAD组件仍然具有挑战性.
• 放射学为非侵入性瘤表征提供了潜力.

研究的目的:

• 评估三角洲放射学在预测高度LUAD方面的有效性.
• 开发和验证一个机器学习 (ML) 模型,用于在LUAD分级中临床应用.

主要方法:

• 追溯多中心研究,包括培训,验证和外部测试队伍.
• 从CT扫描中提取放射性和三角放射性特征.
• LASSO用于特征选择,rad-score和delta rad-score的构建,以及开发一个集成的ML模型 (随机森林).

主要成果:

• 集成的随机森林模型在外部测试队列中实现了0.91的AUC.
• ML模型显著优于仅基于临床特征,rad-score或delta rad-score的模型.
• 决策曲线分析和综合歧视改进证实了拟议模型的卓越临床实用性.

结论:

• 三角洲放射学是识别高级LUAD亚型的宝贵工具.
• 集成的ML模型为预测高档LUAD组件提供了一种有效和临床相关的方法.