To construct and validate a model for predicting lymph node metastasis (LNMs) of gastric cancer (GC) based on 18F-FDG PET/CT multi-parameter data and multiple machine learning (ML) algorithms.
MethodsWe conducted a retrospective analysis of clinical records and 18F-FDG PET/CT images from 167 GC patients treated with radical gastrectomy. The dataset was randomly divided into two cohorts (training and validation cohort) with a ratio of 7:3. Seven machine learning algorithms were used to develop models. The model's performance was evaluated using metrics such as the receiver operating characteristic curve (ROC), sensitivity, specificity, accuracy, negative and positive predictive value, F1 score, calibration curve, and decision curve. Shapley Additive Explanations (SHAP) analysis was conducted to determine feature importance and enhance model interpretability. Additionally, Kaplan-Meier analysis was used to evaluate the prognosis of GC patients.
ResultsThe Artificial Neural Network algorithm(ANN)model outperformed other algorithms in the validation set, with an AUC of 0.814 (95% CI: 0.707−0.921), a sensitivity of 0.872, a specificity of 0.500 and an accuracy of 0.784. Both calibration and decision curve analyses demonstrated excellent calibrated ability and favorable clinical applicability. Through SHAP method, tumor invasion depth (clinical T stage), platelet count (PLT), and total lesion glycolysis (TLG) emerged as the most influential predictors in the ML model. Furthermore, the model exhibited robust risk stratification capability for overall survival (OS).
ConclusionThe ML model utilizing 18F-FDG PET/CT metabolic parameters showed good efficacy and reliability in predicting LNS preoperatively in GC patients.
Construir y validar un modelo para predecir la metástasis en los ganglios linfáticos (LNM) del cáncer gástrico (GC) basado en datos de parámetros multiparamétricos de 18F-FDG PET/CT y múltiples algoritmos de aprendizaje automático (ML).
MétodosRealizamos un análisis retrospectivo de los registros clínicos y las imágenes de 18F-FDG PET/CT de 167 pacientes con GC tratados con gastrectomía radical. El conjunto de datos se dividió aleatoriamente en dos cohortes (cohorte de entrenamiento y cohorte de validación) con una proporción de 7:3. Se utilizaron siete algoritmos de aprendizaje automático para desarrollar los modelos. El rendimiento del modelo se evaluó mediante métricas como la curva característica operativa del receptor (ROC), sensibilidad, especificidad, precisión, valor predictivo negativo y positivo, puntuación F1, curva de calibración y curva de decisión. Se realizó un análisis de explicaciones aditivas de Shapley (SHAP) para determinar la importancia de las características y mejorar la interpretabilidad del modelo. Además, se utilizó el análisis de Kaplan-Meier para evaluar el pronóstico de los pacientes con GC.
ResultadosEl modelo basado en la red neuronal artificial (ANN) superó a los demás algoritmos en el conjunto de validación, con un AUC de 0.814 (IC del 95%: 0.707−0.921), una sensibilidad de 0.872, una especificidad de 0.500 y una precisión de 0.784. Tanto los análisis de calibración como los de curva de decisión demostraron una excelente capacidad de calibración y una buena aplicabilidad clínica. A través del método SHAP, la profundidad de invasión tumoral (estadío clínico T), el recuento de plaquetas (PLT) y la glucólisis total de la lesión (TLG) resultaron ser los predictores más influyentes en el modelo de ML. Además, el modelo mostró una robusta capacidad de estratificación de riesgo para la supervivencia global (OS).
ConclusiónEl modelo de ML que utiliza parámetros metabólicos de 18F-FDG PET/CT mostró una buena eficacia y fiabilidad para predecir la LNM preoperatoria en pacientes con GC.
