通过整合成像和无细胞DNA的机器学习模型对肺结节恶性瘤的风险分层分类:一个模型开发和验证研究 (DECIPHER-NODL)
Huiting Wang1, Hairong Huang2, Feng Li1
1Department of Thoracic Surgery and Oncology, The First Affiliated Hospital of Guangzhou Medical University, China State Key Laboratory of Respiratory Disease & National Clinical Research Center for Respiratory Disease, Guangzhou, 510165, China.
The Lancet regional health. Western Pacific
|December 1, 2025
概括
这项研究开发了一种集成的机器学习模型,将低剂量计算机断层扫描 (LDCT) 放射学和无血细胞DNA (cfDNA) 碎片学结合起来,以改进肺结节恶性瘤分类和侵入性预测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 基因组学就是基因组学.
背景情况:
- 肺结节的准确风险分层对于早期肺癌检测至关重要.
- 机器学习模型为改进分类和预测提供了潜力.
- 整合成像和分子数据可能会提高诊断准确度.
研究的目的:
- 开发和验证一个集成LDCT放射学和血cfDNA碎片学的机器学习模型,用于肺结节恶性瘤分类和侵入性预测.
- 与个人成像和cfDNA模型相比,评估综合模型的性能.
- 评估模型预测瘤攻击性的能力.
主要方法:
- 一项多中心研究,共有1356名参与者 (发现和验证队列).
- 一个深度学习成像模型用于从LDCT扫描中检测和分类结节.
- 一个cfDNA模型分析了四个全基因组碎片化特征.
- 使用堆叠组合算法整合成像和cfDNA模型.
- 开发一个单独的入侵预测模型.
主要成果:
- 综合成像-cfDNA模型实现了高AUC (0.950内部,0.966外部) 恶性瘤分类.
- 组合模型表现出更好的特异性 (0.60),同时保持95%的灵敏度.
- 侵袭预测模型分层肺癌的AUC为0.884 (内部) 和0.880 (外部).
结论:
- 这种多模式的方法通过整合放射性和分子生物标志物来增强肺结节风险分层.
- 该模型显著提高了诊断准确性,可能减少不必要的程序和错过的诊断.
- 综合模型显示了肺癌查中的临床实用性.
