放射学模型的稳定性和准确性,用于对肺腺癌的IASLC分类:对大型多中心CT数据库的全面分析
Xiaohong Fan1, Jinqiu Deng2, Yujie Feng3
1College of Mathematical Medicine, Zhejiang Normal University, Jinhua, China.
Technology in cancer research & treatment
|February 28, 2026
概括
使用T-test,Pearson和LASSO进行维度减小的新放射学方法显著改善了国际肺癌研究协会 (IASLC) 肺腺癌 (LUAD) 评级的预测,而不是PCA.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 数据科学数据科学数据科学
背景情况:
- 精确的术前分类肺腺癌 (LUAD) 对于治疗规划至关重要.
- 计算机断层扫描 (CT) 放射学显示出作为成像生物标记物的前景,但在稳定性和准确性方面面临挑战.
研究的目的:
- 为了比较尺寸缩小和特征选择方法,用于预测手术前的IASLC在LUAD中的分级.
- 确定最佳的放射学策略,以区分瘤等级.
主要方法:
- 对比T-test→Pearson→LASSO和主要组件分析 (PCA) 进行尺寸缩小.
- 评估的机器学习模型 (LR,RF,GBC,XGBoost,LGBM,CatBoost) 用于功能选择.
- 使用接收器操作特征 (ROC) 曲线和曲线下的面积 (AUC) 评估诊断性能.
主要成果:
- 通过T-test→Pearson→LASSO方法获得的AUC值明显高于PCA (0.818-0.869) 的AUC值 (0.502-0.719).
- 轻度梯度增强机 (LGBM) 实现了最高的AUC (0.869),超过了物流回归 (LR) (0.818).
结论:
- 在LUAD分级中,T-test→Pearson→LASSO方法在放射学维度减小方面优于PCA.
- 像LGBM这样的先进机器学习模型提高了基于放射学的LUAD手术前分级的准确性.
