基于F-FDG PET/CT和受体阳性循环瘤细胞的机器学习模型,用于预测差异化肺腺癌

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 准确的手术前预测瘤分化等级对于管理临床阶段IA肺腺癌 (ADC) 是至关重要的.
• 现有的方法可能无法完全捕捉到瘤生物学复杂性的精确分类.
• 整合成像和液体活检标记器提供了一种新的方法来提高预测准确性.

研究的目的:

• 开发和验证一种机器学习模型,用于预测临床阶段的瘤分化等级IA肺ADC.
• 整合2-[18F]-2-脱氧-D-葡萄糖 (18F-FDG) PET/CT与叶酸受体阳性循环瘤细胞 (FR+-CTC) 的放射性特征.
• 评估模型在区分差异化瘤 (PDT) 与非差异化瘤 (n-PDT) 的性能.

主要方法:

• 从两个医疗中心的1797名患者的回顾性分析.
• 使用5个机器学习算法开发临床,放射学和联合预测模型.
• 使用接收器运行特征曲线下的面积 (AUC) 和沙普利增量解释 (SHAP) 进行性能评估.

主要成果:

• 结合FR+-CTC和11个放射性特征的LightGBM组合模型实现了优异的AUC (0.960培训,0.906内部,0.902外部验证).
• 该模型显示了有利的校准和高净收益.
• 在分化等级和风险层之间观察到无进展生存 (PFS) 的显著差异 (p < 0.001).

结论:

• 开发的LightGBM组合模型准确地预测了IA期肺ADC的瘤分化等级.
• 该模型是这些患者风险分层的有效工具.
• 放射学和FR+-CTCs的整合显示出对非侵入性瘤分类的前景.