基于CT成像的可解释机器学习模型,用于预测淋巴血管入侵和膀泌尿腺癌的存活率:一个多中心研究

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:

• 淋巴血管侵袭 (LVI) 是膀癌的关键预后指标,影响患者的治疗结果.
• 目前对LVI的诊断方法是侵入性的,昂贵的和耗时的.
• 放射学为LVI评估提供了一种有前途的非侵入性方法.

研究的目的:

• 开发一种可解释的机器学习模型,用于预测膀泌尿腺癌中的LVI状态.
• 评估模型使用手术前CT图像预测患者生存结果的能力.
• 确定与LVI.相关的关键放射学特征.

主要方法:

• 从三个医疗中心进行了手术前对比增强CT扫描的回顾性分析.
• 使用可重现性测试,相关性分析和LASSO提取和选择放射学特征.
• 机器学习分类器 (SVM) 的培训和验证以及整合临床因素的组合模型.
• 使用AUC,ACC,灵敏度,特异性和生存分析进行性能评估;用于解释性的SHAP分析.

主要成果:

• 该SVM模型实现了高性能 (AUC 0.944培训,0.872测试).
• 结合了临床因素的组合模型显示出优异的性能 (AUC 0.952培训,0.901测试).
• SHAP分析确定了瘤形状和纹理作为LVI预测的关键放射学特征. 预测LVI阴性患者的无疾病生存率显著改善.

结论:

• 使用手术前CT放射学的可解释机器学习模型可以有效地预测膀泌尿瘤中的LVI状态.
• 该模型显示了预测生存结果的潜力,有助于临床决策.
• 这种方法为膀癌管理提供了一种有价值的非侵入性工具.