开发和验证一种可解释的机器学习模型,以基于内和内CT放射学来预测PPGL中手术内的HDI
Shurong Li1, Zhiqiang Zhang2, Yubing Zhang3
1Department of Radiology, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou, Guangdong 510080, China.
European journal of radiology
|December 5, 2025
概括
一种使用CT放射学的新型机器学习模型可以预测手术期间血液动力学不稳定性在染细胞瘤和横瘤患者. 这种非侵入性工具有助于个性化管理,以获得更好的患者结果.
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:
- 在手术期间的血液动力学不稳定性 (HDI) 对接受染细胞瘤和横瘤 (PPGL) 手术的患者构成重大风险.
- 准确预测HDI对于减轻严重并发症和改善PPGL手术期间患者安全至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测PPGL患者的手术内HDI.
- 为了利用内和周CT放射特征进行预测建模.
主要方法:
- 从两个中心对223名PPGL患者进行了回顾性分析.
- 使用LASSO算法提取和选择内和周放射性特征.
- 使用八种ML方法,通过ROC曲线,校准和决策分析评估三种ML模型 (内瘤,周瘤和融合) 的构建和评估.
主要成果:
- 一个融合放射性模型包含了内和周的特征,表现出卓越的性能.
- 融合模型在培训队列中达到0.840的AUC值,在测试队列中达到0.800.
- 预测和观察结果之间的高度一致性,决策曲线分析表明显著的临床效用.
结论:
- 研发的核聚变放射学模型作为一个有前途的非侵入性工具,用于预测PPGL患者的手术内HDI.
- 这种预测能力可以促进个性化的术前评估和临床管理策略.
- 该研究强调了CT放射学在提高PPGL患者手术安全方面的潜力.
