摘要
背景
小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)脑转移的治疗策略不同,需要准确的非侵入性亚型鉴别。
目的
开发并外部验证一种基于双参数MRI的2.5D多实例学习(MIL)深度学习(DL)模型,用于鉴别SCLC与NSCLC脑转移,并将其性能与临床模型、影像组学模型和3D-DL模型进行比较。
研究类型
回顾性研究。
人群
本研究纳入来自四家机构的366例患者。中心1提供训练集(n?=?199;平均年龄,63.88?±?10.79岁;男性占72.36%)和内部调优集(n?=?85;平均年龄,64.73?±?9.53岁;男性占67.06%)。中心2至4合并为单一外部测试集(n?=?82;平均年龄,62.26?±?10.60岁;男性占63.41%)。
场强/序列
1.5 T和3.0 T;对比增强T1加权成像和液体衰减反转恢复(FLAIR)成像。
评估
将2.5D-MIL模型与临床模型、影像组学模型和3D-DL模型进行基准比较,并在内部调优集和合并外部测试集上进行评估。
统计检验
采用夏皮罗-威尔克检验、学生t检验、曼-惠特尼U检验、卡方检验、单变量和多变量逻辑回归以及DeLong检验。性能指标包括受试者工作特征曲线下面积(AUC)及其95%置信区间,以及分类和校准指标。统计学显著性定义为双侧p?0.05。
结果
在内部调优集中,AUC值分别为:0.842(2.5D-MIL)、0.740(临床模型)、0.710(影像组学)和0.747(3D-DL)。在外部测试集中,AUC值分别为:0.826(2.5D-MIL)、0.826(临床模型)、0.696(影像组学)和0.664(3D-DL)。2.5D-MIL与临床模型(p?=?1.000)、影像组学模型(p?=?0.139)和3D-DL模型(p?=?0.119)之间的差异无统计学意义。
数据结论
基于MRI的2.5D-MIL模型在非侵入性鉴别SCLC与NSCLC脑转移方面显示出潜力。临床应用前仍需进行更大规模的前瞻性研究。
证据等级
3级。
技术有效性
2期。
简明摘要
小细胞肺癌和非小细胞肺癌在发生脑转移时需要不同的治疗方案,但亚型确认通常需要组织采样。本研究开发了一种机器学习模型,通过分析常规脑部MRI来鉴别这些亚型,并利用多家医院的数据进行了评估。该模型在外部测试队列中表现出令人鼓舞的性能,但仍需进行更大规模的前瞻性研究。在无法进行活检时,该模型可提供补充信息以辅助治疗决策,作为病理检查的辅助工具而非替代品。
利益冲突
作者声明无利益冲突。
数据可用性声明
本研究中使用和/或分析的数据集可向通讯作者提出合理请求获取。


