多模式CT和MRI放射学与临床模型集成,预测ESCC在新辅助免疫化学疗法后的病理完整反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 预测食道状细胞癌 (ESCC) 治疗反应至关重要.
• 新辅助免疫化学疗法 (nICT) 是ESCC的标准治疗方法.
• 预测病理完整反应 (pCR) 有助于治疗分层.

研究的目的:

• 评估多模式放射学和机器学习用于ESCC患者的pCR预测.
• 为了比较不同机器学习算法的性能.
• 评估综合成像和临床数据的实用性.

主要方法:

• 对66名ESCC患者前性收集的数据进行了回顾性分析.
• 从CT和MRI扫描中提取放射性特征.
• 应用随机森林,物流回归,支持向量机和XGBoost算法的应用.
• 交叉验证和ROC曲线分析用于绩效评估.

主要成果:

• 在测试的算法中,XGBoost表现出了卓越的性能.
• 综合模型 (CT,MRI,临床特征) 的表现优于单个数据来源.
• 基于XGBoost的集成模型实现了0.961的AUC,具有高灵敏度和特异性.
• 决策曲线分析证实了该模型的临床实用性.

结论:

• 与机器学习集成的多模电波学可以有效地预测ESCC中的pCR.
• 这种方法有望指导接受nICT的患者的治疗决策.
• 这些发现支持在精密瘤学中使用先进的计算方法.