|
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 |
|