在预测非小细胞肺癌患者PET/CT成像使用EGFR突变状态时错误分类的风险因素

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 非小细胞肺癌 (NSCLC) 的治疗以表皮生长因子受体 (EGFR) 突变状态为指导.
• 准确预测EGFR突变对于个性化NSCLC治疗至关重要.

研究的目的:

• 开发和比较10个机器学习模型,用于使用PET/CT放射性特征预测NSCLC患者的EGFR突变.
• 确定影响模型性能和错误分类的临床因素.

主要方法:

• 分析了277名NSCLC患者的18F-FDG PET/CT和EGFR突变数据.
• 将10个机器学习算法进行比较,以开发用于EGFR预测的PET/CT签名 (PCS) - 诺米图.
• 交叉验证和统计测试 (ROC,Youden指数,DeLong测试) 评估了模型的性能.

主要成果:

• 基于局部最小方程通用线性模型 (plsRglm) 的PCS-nomogram实现了最佳预测 (AUC 0.80培训,0.82验证).
• 吸烟史显著影响了七个模型的表现.
• 在PCS模型中,与吸烟者 (AUC 0.64) 相比,从未吸烟者 (AUC 0.90) 的准确性更高.

结论:

• 基于plsRglm的PCS-nomogram提供了一种非侵入性方法,用于预测NSCLC中的EGFR突变.
• 基于放射学的EGFR突变预测在从不吸烟者中比吸烟者更有效.