Op endobronchiaal echografie gebaseerd SVM-model voor het differentiëren van goedaardige en kwaadaardige mediastinale en hilarische lymfeklieren

SAMENVATTING Achtergrond en doelstelling: Het opzetten van een machine learning-model voor echografie, gebaseerd op endobronchiale echografie (EBUS), om artsen te helpen onderscheid te maken tussen goedaardige en kwaadaardige diagnoses van mediastinale en hilaire lymfeklieren.

Methoden: De klinische en ultrasone beeldgegevens van 197 patiënten werden retrospectief geanalyseerd. De radiomics-kenmerken werden geëxtraheerd door op EBUS gebaseerde radiomics en dimensionaliteitsreductie werd op deze kenmerken uitgevoerd door de minst absolute krimp- en selectieoperator (LASSO). Het op EBUS gebaseerde radiomics-model werd opgesteld door de support vector machine (SVM).205 laesies werden willekeurig verdeeld in een trainingsgroep (n=143) en een validatiegroep (n=62). De diagnostische efficiëntie werd geëvalueerd aan de hand van de receiver operating karakteristieken (ROC). Resultaten: Er werden in totaal 13 stabiele kenmerken met niet-nul coëfficiënten geselecteerd. Het Support Vector Machine (SV)-model vertoonde veelbelovende prestaties in zowel de trainings- als de verificatiegroepen. In de trainingsgroep bereikte het SVM-model een oppervlakte onder de curve (AUC) van 0,892 (95% BI: 0,885-0,899), met een nauwkeurigheid van 85,3%, gevoeligheid van 93,2% en specificiteit van 79,8%. In de verificatiegroep toonde het SVM-model een AUC aan van 0,906 (95% C: 0,890-0,923), samen met een nauwkeurigheid van 74,2%, gevoeligheid van 70,3% en specificiteit van 74,1%. Conclusie: Op EBUS gebaseerd radiomics-model kan worden gebruikt om mediastinale en hilaire goedaardige en kwaadaardige lymfeklieren te onderscheiden. Het SVM-model demonstreert superioriteit en heeft potentieel als diagnostisch hulpmiddel in de klinische praktijk