机器学习辅助的肺癌分类：肌肉减少症、炎症生物标志物以及PET/CT解剖代谢参数的作用

《Physical and Engineering Sciences in Medicine》：Machine learning–assisted classification of lung cancer: the role of sarcopenia, inflammatory biomarkers, and PET/CT anatomical-metabolic parameters

　　肺癌多模态诊断框架研究提出整合PET/CT代谢参数、肌肉萎缩指标及炎症生物标志物的机器学习模型，基于222例数据验证随机森林算法准确率达96%，特征筛选后提升至97%，关键预测因子包括SUVmax、SUVmean、TLG和肌肉指数。

　　

摘要

由于非癌性、良性及恶性肺癌在临床和影像学特征上的重叠，准确区分这些类型仍然是一个诊断难题。本研究提出了一个多模态机器学习（ML）框架，该框架整合了正电子发射断层扫描/计算机断层扫描（PET/CT）的解剖-代谢参数、肌肉减少症标志物和炎症生物标志物，以提高肺癌分类的准确性。分析了一个包含222名患者的回顾性数据集，数据集涵盖了人口统计学变量、功能和形态测量学肌肉减少症指标、血液炎症标志物以及PET/CT衍生的参数，如最大标准化摄取值（SUVmax）、平均标准化摄取值（SUVmean）、代谢肿瘤体积（MTV）和总病变糖酵解（TLG）。使用了五种机器学习算法——逻辑回归（Logistic Regression）、多层感知器（Multi-Layer Perceptron）、支持向量机（Support Vector Machine）、极端梯度提升（Extreme Gradient Boosting）和随机森林（Random Forest），并通过标准化的性能指标进行评估。为了平衡类别分布，采用了合成少数样本过采样技术（Synthetic Minority Oversampling Technique）。利用最优模型进行了特征重要性分析，并使用前15个最具代表性的特征重新进行了分类。在所有模型中，随机森林显示出卓越的预测性能，测试准确率为96%，精确度、召回率和F1分数均为0.96，平均AUC为0.99。特征重要性分析表明，SUVmax、SUVmean、总病变糖酵解和骨骼肌指数是主要的预测因子。仅使用前15个特征进行的二次分类测试准确率更高，达到了97%。这些发现凸显了将代谢成像、身体功能和生化炎症标志物整合到基于机器学习的无创诊断流程中的潜力。所提出的框架具有高准确性和泛化能力，可作为早期肺癌诊断和风险分层的有效临床决策支持工具。