Key points are not available for this paper at this time.
Zusammenfassung Ziel Wir beabsichtigen, ein Maschinenlernmodell zu etablieren, indem wir die radiomischen Merkmale aus CT-Bildern extrahieren und klinische Merkmale integrieren, um die histologische Differenzierung von massenbildendem ICC präoperativ vorherzusagen. Material und Methode: Klinische Daten und CT-Bilder wurden retrospektiv von 109 ICC-Patienten (Männer zu Frauen = 63:46) in unserem Krankenhaus von Januar 2013 bis Oktober 2023 gesammelt. Die in dieser Studie verwendeten Maschinenlern-Klassifikationsalgorithmen waren Random Forest (RF), XGBoost (Extreme Gradient Boosting), k-nächste Nachbarn (KNN) und logistische Regression (LR). Die Fläche unter der Kurve der Receiver Operating Characteristic (AUROC) des Modells für jede Klasse sowie die makro- und mikro- Durchschnittswerte wurden berechnet, um die Modellleistung umfassend zu bewerten. SHapley Additive exPlanations (SHAP) wurde verwendet, um die Ausgabe des optimalen Modells zu erklären. Ergebnisse Eine begleitende Zirrhose trat häufiger bei schlecht differenziertem ICC auf (p = 0,02). Das auf radiomischen Merkmalen basierende RF-Modell wies eine moderate Leistung auf, mit einem makro- durchschnittlichen AUC von 0,72, und einem AUC von 0,69 für schlecht differenziertes ICC, 0,7 für mäßig schlecht differenziertes ICC und 0,71 für mäßig differenziertes ICC. Sowohl das Modell der klinischen Merkmale als auch das Fusionsmodell der klinischen + radiomischen Merkmale schnitten relativ schlecht ab, mit einem makro- durchschnittlichen AUC von 0,51 bzw. 0,57. Schlussfolgerung Wir klassifizierten direkt die drei histologischen Differenzierungen von 109 ICC-Fällen und stellten fest, dass das Radiomics-Modell moderat gut abschnitt. Dies deutet darauf hin, dass ein Modell mit radiomischen Merkmalen allein möglicherweise besser in der Klassifikation abschneidet als ein Fusionsmodell und dass die Hinzufügung klinischer Merkmale von Bedeutung sein könnte.
Zhou et al. (Wed,) haben diese Frage untersucht.