Maschinenlern-basierte Differenzierung von Lungen-Plattenepithelkarzinom und Adenokarzinom unter Verwendung klinisch-semantischer und radiomischer Merkmale

Zweck: Bewertung und Vergleich der prädiktiven Leistung von Maschinenlernmethoden unter Verwendung klinisch-semantischer, radiomischer und kombinierter Merkmale zur Unterscheidung von Plattenepithelkarzinom (SCC) und Adenokarzinom (ADC) beim nicht-kleinzelligen Lungenkrebs (NSCLC). Methoden: Insgesamt 399 Patienten mit pathologisch bestätigtem NSCLC wurden retrospektiv im Jahr 2017 eingeschlossen und zufällig in eine Trainingsgruppe (n=279) und eine Validierungsgruppe (n=120) unterteilt. Klinische Faktoren, semantische Merkmale und radiomische Merkmale wurden gesammelt und über die Minimum Redundancy Maximum Relevance (mRMR)-Methode sowie den Least Absolute Shrinkage and Selection Operator (LASSO) gescreent. Wir untersuchten 3 Modelle, die mit 4 Klassifizierern zur Vorhersage des histologischen Subtyps erstellt wurden. Die Modelle wurden an der Trainingsgruppe trainiert und ihre Leistung wurde an der unabhängigen Validierungsgruppe unter Verwendung von Genauigkeit, Sensitivität, Spezifität, F1-Score, Präzision und Fläche unter der Receiver Operating Characteristic-Kurve (AUC) bewertet. Ergebnisse: Nach der Merkmalsauswahl wurden 10 repräsentative Merkmale finalisiert, darunter 4 klinisch-semantische und 6 radiomische Merkmale. In der Validierungsgruppe zeigte der Support Vector Machine (SVM)-Klassifizierer vielversprechende prädiktive Leistung. Bei der Integration klinisch-semantischer und radiomischer Merkmale zeigte das kombinierte Modell (AUC = 0.871) Potenzial zur Unterscheidung der pathologischen Subtypen von NSCLC und übertraf Modelle, die ausschließlich auf klinisch-semantischen (AUC = 0.594) oder radiomischen Merkmalen basierten (AUC = 0.713). Es erreichte eine Genauigkeit von 0.892, eine Sensitivität von 0.758, eine Spezifität von 0.943, einen F1-Score von 0.794 und eine Präzision von 0.833. Die AUC-Differenzen waren jedoch nicht statistisch signifikant, was die Notwendigkeit weiterer multizenter prospektiver Validierungen hervorhebt. Fazit: In dieser Studie zeigte das SVM-basierte Kombinationsmodell, das klinisch-semantische und radiomische Merkmale integrierte, vielversprechende Leistungen unter den vier auf Klassifizierern basierenden Kombinationsmodellen zur Unterscheidung zwischen ADC und SCC. Aufgrund des einzentralen, retrospektiven Designs und des Fehlens statistisch signifikanter Unterschiede in der AUC für einige Modelle sollten die Ergebnisse jedoch mit Vorsicht interpretiert werden. Diese Ergebnisse zeigen Potenzial, erfordern jedoch zukünftige multizenter prospektive Validierungen vor der klinischen Anwendung.