基于双层探测器光谱CT放射学特征的机器学习模型,用于区分光线和非光线乳腺癌
Zhijing Song1, Yikun Ma2, Zhiyang Dou1
1Anhui Key Laboratory of Digital Medicine and Intelligent Health, School of Medical Imaging, Bengbu Medical University, Bengbu, China.
Frontiers in oncology
|February 23, 2026
概括
使用双层探测器光谱CT (DLCT) 放射性特征的机器学习模型在区分Luminal和非Luminal乳腺癌 (BC) 中显示出希望. 高斯的天真贝叶斯模型取得了很好的准确性,这表明DLCT放射学是潜在的辅助工具.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 区分Luminal与非Luminal乳腺癌 (BC) 对于治疗选择至关重要.
- 双层探测器光谱CT (DLCT) 提供了先进的成像功能.
- 放射学从医学图像中提取定量特征进行分析.
研究的目的:
- 为了评估机器学习 (ML) 模型的有效性,使用DLCT射线特征来预测Luminal与非Luminal BC.
- 为了确定乳腺癌亚型的最佳放射性特征.
主要方法:
- 对128名病理确诊的BC患者进行了回顾性分析.
- 从DLCT图像中提取和选择1,037个放射性特征,使用单变量,相关性和LASSO分析.
- 构建和评估7个ML模型,包括高斯的天真贝叶斯 (GNB).
主要成果:
- 选择了13个最佳放射性特征,并与临床参数结合.
- GNB模型实现了最高的性能,AUC为0.778,准确度为0.821,灵敏度为0.833,特异性为0.778.
- 在内部测试中,GNB模型在内部测试中表现优于其他六种ML模型.
结论:
- 基于DLCT放射学的GNB模型显示了作为区分Luminal和非LuminalBC的辅助工具的潜力.
- DLCT放射学显示了乳腺癌亚型的有希望的预测性能.
- 建议在大型多中心研究中进一步验证.
