使用可解释的基于CT的深度学习放射学模型,预测非小细胞肺癌中的Ki-67表达水平

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 基-67表达是非小细胞肺癌 (NSCLC) 扩散和预后的关键生物标志物.
• 准确预测Ki-67水平对于指导NSCLC患者个性化治疗策略至关重要.

研究的目的:

• 开发和验证一种可解释的模型,用于预测NSCLC中的Ki-67表达水平.
• 结合临床放射学,放射学和深度学习功能,以提高预测性能.

主要方法:

• 追溯性研究涉及259名NSCLC患者 (培训/验证) 和112名患者 (独立测试组).
• 从CT图像中提取放射性和深度学习特征 (ResNet18).
• 开发了四种支持向量机器模型:临床放射学,放射学,深度学习和组合模型,使用LASSO进行特征选择和SHAP进行解释性.

主要成果:

• 组合模型在独立测试组中表现出优异的预测性能,AUC为0.892.
• 综合模型的表现明显优于单个临床放射学 (AUC 0.820),放射学 (AUC 0.750) 和深度学习 (AUC 0.817) 模型.
• SHAP分析强调了深度得分,组织学类型和rad-score作为Ki-67表达的关键预测因素.

结论:

• 一个可解释的组合模型有效地预测了NSCLC中的Ki-67表达.
• 这种基于成像的方法为优化NSCLC个性化治疗策略提供了有价值的证据.