|
|
作者：CardiothoracicSurgery
*仅供医学专业人士参考
基于影像组学的机器学习可术前预测临床IA期纯实性非小细胞肺癌患者的生存
AATS 2024
原文标题：
Preoperatively Predicting Survival Outcome for Clinical Stage IA Pure Solid Non-Small Cell Lung Cancer by Radiomics-based Machine Learning
作者及单位：
Scott Swanson , Commentator , Brigham and Women's Hospital
Haoji Yan , Abstract Presenter , Juntendo University
目的：
临床IA期非小细胞肺癌（non-small cell lung cancer, NSCLC）在薄层计算机断层扫描（computed tomography, CT）上表现为纯实性，与具有磨玻璃影成分的肿瘤相比，其侵袭性更强，预后更差。然而，由于预后因素有限，术前准确预测其生存结局具有挑战性。本研究旨在利用术前临床和影像组学特征开发和验证机器学习模型，以预测临床IA期纯实性NSCLC的总体生存（overall survival, OS）。
方法：
本研究回顾性分析了2012年1月至2020年12月行肺切除术的临床IA期纯实性NSCLC患者。从CT图像中提取肿瘤内和肿瘤周围区域的影像组学特征。采用最小绝对收缩和选择算子进行特征筛选。使用随机生存森林（random survival forests, RSF）和XGBoost算法开发机器学习模型，同时开发Cox回归模型，并将其作为基准。采用整合时间依赖性曲线下面积（integrated time-dependent area under the curve, iAUC）评估模型性能，所有统计量均采用5折交叉验证。
结果：
本研究共纳入642例临床IA期纯实性NSCLC患者，中位年龄为71岁（范围：32, 90岁），平均随访时间为56个月（范围：1, 132月）。在3748个影像组学特征和34个术前临床特征中，筛选出42个特征用于拟合模型。XGBoost模型的性能更佳，iAUC为0.832（95% CI: 0.779, 0.880），而RSF模型的iAUC为0.795（95% CI: 0.734, 0.856）。两种机器学习模型均优于传统的Cox回归模型，其iAUC为0.753（95% CI: 0.629, 0.829）。XGBoost模型显示出优异的生存分层性能，在低危组（5年OS：92.9 %）、中危组（5年OS：78.9 %）和高危组（5年OS：41.7 %）的OS存在显著差异（P < 0.0001）。
结论：
基于影像组学的机器学习模型可以在术前准确预测临床IA期纯实性NSCLC的OS并改善生存分层。
如有不足请指正
（翻译及审校：孙赐恩 ）
END
长按二维码添加
关注我们 获取更多文献
点赞或分享 让我们共同成长
点击“阅读原文”看摘要原文 |
|
