基于机器学习的分化肺状细胞癌和腺癌使用临床语义和放射性特征
Yanju Li1, Xiaomeng Yang1, Yingjin Zhang1
1Tianjin Medical University Cancer Institute and Hospital, National Clinical Research Center for Cancer, Tianjin's Clinical Research Center for Cancer, State Key Laboratory of Druggability Evaluation and Systematic Translational Medicine, Tianjin Key Laboratory of Digestive Cancer, Key Laboratory of Cancer Prevention and Therapy, Department of Radiology, Tianjin, China.
整合临床语义和放射性特征的机器学习模型显示了区分非小细胞肺癌 (NSCLC) 亚型的潜力. 综合支向量机 (SVM) 模型的表现优于其他模型,但需要进一步验证.
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:
- 准确的非小细胞肺癌 (NSCLC) 组织学亚型确定对于治疗选择至关重要.
- 区分状细胞癌 (SCC) 和腺癌 (ADC) 可能是具有挑战性的.
- 机器学习为提高诊断准确性提供了潜力.
研究的目的:
- 评估和比较机器学习方法的预测性能.
- 评估临床语义,放射性和组合特征在区分NSCLC亚型 (SCC与ADC) 中的实用性.
主要方法:
- 对399名NSCLC患者的回顾性分析.
- 使用mRMR和LASSO方法进行特征选择.
- 使用4个分类器开发和验证机器学习模型.
主要成果:
- 综合4个临床语义和6个放射性特征的组合模型使用SVM显示出最佳性能 (AUC = 0.871).
- 组合模型的表现优于仅使用临床语义特征 (AUC = 0.594) 或放射性特征 (AUC = 0.713) 的模型.
- 组合模型在验证队列中实现了89.2%的准确性,75.8%的灵敏性和94.3%的特异性.
结论:
- 基于SVM的组合模型显示了区分NSCLC病理亚型的前景.
- 由于单中心,回顾式设计,研究结果需要谨慎解释.
- 在临床应用之前,需要进行多中心前性验证.
更多相关视频
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
05:00Author Spotlight: Enhancing Multicolor Fluorescence Localization in Lung Carcinoma Sample
Published on: November 21, 2023