开发和验证可解释的基于CT的评分模型,用于胃癌的攻击性
Ying-Qiao Zhang1, Juan Zhang2,3, Yu-Yao Jin1
1Department of Radiology, Harbin Medical University Cancer Hospital, Harbin, China.
Abdominal radiology (New York)
|March 10, 2026
概括
这项研究开发了一种基于CT的机器学习模型,用于预测胃癌 (GC) 中的不良组织病理状态 (AHS). 该模型的可解释成像得分 (I-score) 有效地分层患者进行个性化治疗.
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:
- 准确预测胃癌 (GC) 中的不良基因病理状态 (AHS) 对患者的预后至关重要.
- 目前的方法可能在手术前识别高风险的GC病例时缺乏准确性.
研究的目的:
- 开发和验证基于CT的机器学习模型,用于预测GC中的AHS.
- 为预后分层和治疗规划建立可解释的成像分数 (I-score).
主要方法:
- 一项双中心回顾性研究包括1164名GC患者.
- 分析了语义CT特征 (cN,LD,TT,血清状态) 和放射性特征.
- XGBoost模型被训练并验证用于AHS预测,导致I-score的开发.
主要成果:
- XGBoost模型显示了AHS的高预测性能 (AUC从0.764到0.848).
- 该I-score成功地将患者分为低风险和高风险组.
- 高风险患者的1000天整体存活率明显较差 (55.7%vs73.8%).
- 证实I分数作为一个独立的预后因素.
结论:
- 基于CT的简化机器学习模型使用语义特征准确预测GC中的AHS.
- 开发的I-score有助于有效的手术前风险分层,并支持个性化治疗规划.
更多相关视频
03:05Author Spotlight: Advancing Early Detection and Treatment of Gastrointestinal Tumors
Published on: February 16, 2024
1.6K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
839
