背景与目的肺癌是全球最常见的恶性肿瘤之一,也是癌症相关死亡的主要原因。早期肺癌通常表现为肺结节,准确评估其恶性风险对于延长生存期及避免过度诊疗至关重要。本研究旨在基于人工智能(artificial intelligence,AI)自动提取的影像学...背景与目的肺癌是全球最常见的恶性肿瘤之一,也是癌症相关死亡的主要原因。早期肺癌通常表现为肺结节,准确评估其恶性风险对于延长生存期及避免过度诊疗至关重要。本研究旨在基于人工智能(artificial intelligence,AI)自动提取的影像学特征参数构建模型,评估其在部分实性结节(part-solid nodule,PSN)恶性预测中的效能。方法回顾性分析2020年10月至2025年2月于兰州大学第二医院接受肺结节切除术的222例患者的229个PSN资料。根据病理结果,将45个良性病变及腺体前驱病变归为非恶性组,184个肺部恶性肿瘤归为恶性组。所有患者均接受胸部计算机断层扫描,使用AI软件提取影像学特征参数。通过单因素分析筛选显著变量,计算方差膨胀因子并剔除共线性较高的变量,LASSO回归进一步筛选关键特征,多因素逻辑回归确定独立危险因素。基于筛选结果,构建逻辑回归、随机森林、XGBoost、LightGBM、支持向量机5种模型,使用受试者工作特征(reciever operating characteristic,ROC)曲线评估模型性能。结果PSN良恶性的独立危险因素包括粗糙度(ngtdm)、依赖方差(gldm)和短运行低灰度重点(glrlm)。逻辑回归在训练集和测试集的曲线下面积(area under the curve,AUC)分别为0.86和0.89,表现较好。XGBoost的AUC分别为0.78和0.77,表现相对均衡,但准确度较低。支持向量机在训练集的AUC为0.93,测试集AUC降至0.80,表明该模型存在一定的过拟合。LightGBM在训练集表现优异,AUC为0.94,但在测试集上有所下降,AUC为0.88。随机森林模型在训练集和测试集上均表现稳定,训练集AUC为0.89,测试集AUC为0.91,具有较高的稳定性和良好的泛化能力。结论基于独立危险因素构建的随机森林模型在PSN良恶性预测中表现最佳,可以为临床医生提供有效的辅助预测,支持个体化治疗决策。展开更多
文摘背景与目的肺癌是全球最常见的恶性肿瘤之一,也是癌症相关死亡的主要原因。早期肺癌通常表现为肺结节,准确评估其恶性风险对于延长生存期及避免过度诊疗至关重要。本研究旨在基于人工智能(artificial intelligence,AI)自动提取的影像学特征参数构建模型,评估其在部分实性结节(part-solid nodule,PSN)恶性预测中的效能。方法回顾性分析2020年10月至2025年2月于兰州大学第二医院接受肺结节切除术的222例患者的229个PSN资料。根据病理结果,将45个良性病变及腺体前驱病变归为非恶性组,184个肺部恶性肿瘤归为恶性组。所有患者均接受胸部计算机断层扫描,使用AI软件提取影像学特征参数。通过单因素分析筛选显著变量,计算方差膨胀因子并剔除共线性较高的变量,LASSO回归进一步筛选关键特征,多因素逻辑回归确定独立危险因素。基于筛选结果,构建逻辑回归、随机森林、XGBoost、LightGBM、支持向量机5种模型,使用受试者工作特征(reciever operating characteristic,ROC)曲线评估模型性能。结果PSN良恶性的独立危险因素包括粗糙度(ngtdm)、依赖方差(gldm)和短运行低灰度重点(glrlm)。逻辑回归在训练集和测试集的曲线下面积(area under the curve,AUC)分别为0.86和0.89,表现较好。XGBoost的AUC分别为0.78和0.77,表现相对均衡,但准确度较低。支持向量机在训练集的AUC为0.93,测试集AUC降至0.80,表明该模型存在一定的过拟合。LightGBM在训练集表现优异,AUC为0.94,但在测试集上有所下降,AUC为0.88。随机森林模型在训练集和测试集上均表现稳定,训练集AUC为0.89,测试集AUC为0.91,具有较高的稳定性和良好的泛化能力。结论基于独立危险因素构建的随机森林模型在PSN良恶性预测中表现最佳,可以为临床医生提供有效的辅助预测,支持个体化治疗决策。
文摘目的:探讨多种机器学习模型预测机器人辅助肾部分切除术(robot-assisted partial nephrectomy,RAPN)后肾功能减退的效能,为临床风险分层提供依据。方法:回顾性纳入2019年1月至2023年12月重庆医科大学附属第一医院泌尿外科733例肾细胞癌(renal cell carcinoma,RCC)行RAPN患者的临床数据,整合人口学特征、实验室指标及围手术期参数,构建7种机器学习模型,采用Shapley加性解释(Shapley additive explanations,SHAP)方法解析关键预测因子,并通过受试者工作特征曲线下面积(receiver operating characteristic curve area under the curve,ROC-AUC)评估模型性能。结果:随机森林模型预测效能最优(AUC=0.84)。SHAP分析显示,中性粒细胞/淋巴细胞比值、肿瘤直径、凝血酶原时间国际标准化比值、白细胞计数及术中出血量等因素对术后肾功能减退有明显影响。结论:本研究为临床提供了一种潜在的预测工具,可帮助识别高风险患者并优化术后管理策略。
