换一批基于机器学习对亚实性IA期肺腺癌气道内播散的预测价值
Applications of machine learning models in the prediction of tumor spread through air spaces in patients with stage IA part-solid lung adenocarcinoma
摘要目的 探讨IA期亚实性肺腺癌中气道内播散(Spread Through Air Spaces,STAS)的临床特征及CT影像表现,并基于机器学习算法构建预测模型.方法 本研究对2021年1月—2023年6月期间在湘潭市中心医院收治的IA期亚实性肺腺癌患者进行了回顾性分析.根据术后的病理结果,将患者分为STAS(+)组和STAS(-)组.使用包括Logistic回归、支持向量机(Support Vector Machine,SVM)、K近邻(K-Nearest Neighbour,KNN)、极端梯度提升(Extreme Gradient Boosting,Xgboost)、最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator,LASSO)、随机森林(Random Forest,RF)在内的五种机器学习算法来构建IA期亚实性肺腺癌的STAS预测模型.结果 在106例IA期亚实性肺腺癌患者中,有16例(15%)被诊断为STAS.在对五种机器学习算法进行比较后,Xgboost在诊断准确性方面表现最佳,曲线下面积:0.969(95%CI:0.915～0.993).Xgboost算法确定了IA期亚实性肺腺癌中STAS的以下关键预测因子,包括实性成分比例更高、实性部分的CT值、病灶大小、周围磨玻璃影(Ground-Glass Opacity,GGO)边界的模糊程度以及实性成分体积.结论 通过分析患者的临床及影像学数据,Xgboost能够有效预测IA期亚实性肺腺癌的STAS,有利于临床决策.
更多相关知识
关键词
IA期亚实性肺腺癌气道内播散机器学习预测模型Stage IA subsolid lung adenocarcinomaSpread through air spacesMachine learningPredictive model
栏目名称
DOI
10.11876/mimt202501007
发布时间
2025-03-26（万方平台首次上网日期，不代表论文的发表时间）
基金项目
南方医科大学南方医院院长基金（2022B030）
- 浏览5
- 被引0
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
