可解释的机器学习模型集成CT放射学,CTR和临床特征,用于预测≤3厘米肺腺癌结核中的EGFR突变

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 在肺腺癌 (LUAD) 中对EGFR突变状态的非侵入性预测对于治疗规划至关重要,特别是对于小肺结节.
• 巩固与瘤比率 (CTR) 是一个关键的成像生物标志物,但在LUAD的放射学模型中未得到充分利用.

研究的目的:

• 开发和验证一个可解释的CT放射学模型.
• 纳入CTR和临床特征,以预测LUAD患者的EGFR突变状态,结核≤3厘米.

主要方法:

• 对492名手术前非对比性胸部CT扫描的LUAD患者进行了回顾性研究.
• 使用PyRadiomics提取放射性特征并测量CTR;使用ANOVA,相互信息和RFE.选择的特征.
• 开发了三种随机森林分类器:仅放射性,仅临床和联合放射性临床模型.

主要成果:

• 组合模型在测试队列中表现出优异的性能 (AUC 0.74培训,0.76测试) 与仅放射性 (AUC 0.69) 和仅临床 (AUC 0.60) 模型相比.
• 沙普利添加式扩展 (SHAP) 分析发现CTR是最有影响力的特征.

结论:

• 结合CTR和临床特征的可解释放射学模型有效地在小型LUAD结节中非侵入性地预测EGFR突变状态.
• 这种方法支持分子风险分层分类,当组织基因定型是不可行的.