Construir y validar un modelo para la predicción de metástasis ganglionares (LNM) en el cáncer gástrico (CG), basado en datos multiparamétricos obtenidos mediante PET/TC con [18F]FDG y diversos algoritmos de aprendizaje automático (ML).
MétodosSe llevó a cabo un análisis retrospectivo de los registros clínicos y de las imágenes de PET/TC con [18F]FDG de un total de 167 pacientes con CG sometidos a gastrectomía radical. El conjunto de datos se dividió aleatoriamente en dos cohortes (entrenamiento y validación) en una proporción de 7:3. Se emplearon siete algoritmos de aprendizaje automático para desarrollar los modelos predictivos. El rendimiento de los modelos se evaluó mediante múltiples métricas, incluyendo la curva característica operativa del receptor (ROC), sensibilidad, especificidad, precisión, valores predictivos positivos y negativos, puntuación F1, curva de calibración y curva de decisión. Se aplicó el análisis mediante valores aditivos de Shapley (SHAP) para determinar la importancia de las variables y mejorar la interpretabilidad del modelo. Adicionalmente, se utilizó el análisis de Kaplan-Meier para evaluar el pronóstico de los pacientes con CG.
ResultadosEl modelo basado en redes neuronales artificiales (ANN) superó al resto de los algoritmos en la cohorte de validación, con un AUC de 0,814 (IC95%: 0,707-0,921), una sensibilidad de 0,872, una especificidad de 0,500 y una precisión de 0,784. Los análisis de calibración y de curva de decisión demostraron una excelente capacidad de ajuste y una aplicabilidad clínica favorable. Mediante el método SHAP, la profundidad de invasión tumoral (estadificación clínicaT), el recuento plaquetario (PLT) y la glucólisis total de la lesión (TLG) emergieron como los predictores más influyentes dentro del modelo de aprendizaje automático (ML). Además, el modelo mostró una sólida capacidad de estratificación del riesgo para la supervivencia global (overall survival [OS]).
ConclusiónEl modelo de ML que utiliza parámetros metabólicos obtenidos mediante PET/TC con [18F]FDG demostró una buena eficacia y fiabilidad en la predicción preoperatoria de LNM en pacientes con CG.
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.
