放射線学に基づく腎臓病変の分類:内蔵戦闘調和による緩和バッチ効果

科学分野:

• 医学画像分析
• コンピューター病理学
• 腫瘍学における機械学習

背景:

• 増えるCTスキャンにより,より偶発的な腎臓の塊が生じ,良性型と悪性型を区別する必要がある.
• ラジオミクスは腎臓の質の診断を 改善する見込みがあるが,スライス厚さなどの 画像パラメータの変動によって妨げられている.
• 放射線学的データを標準化し,診断の信頼性を高めるには,効果的な調和技術が不可欠です.

研究 の 目的:

• 腎臓のキストと腫瘍を区別する際の断片の厚さの影響を評価するために,包括的な放射線分析を行う.
• 腎臓の質量分類の精度を高めるために 機械学習技術を活用する.
• 腎臓の質量に対するより正確な患者管理戦略に貢献する.

主な方法:

• 599のコントラスト強化CTスキャンのKITS23データセットを使用し,トレーニング (60%) とテスト (40%) のコホートに分けられました.
• PyRadiomicsを使用して6つの特徴選択方法と10の機械学習分類器を使用して放射性特性を抽出しました.
• 機関間画像プロトコルの変異に対処するために,内蔵戦闘の調和技術を実装した.

主要な成果:

• ネステッド・コンバットを用いた調和は,様々な方法と分類器における曲線下の面積 (AUC) の値の改善につながった.
• 最も高いAUCは0. 95に達し,モデルのパフォーマンスの有意な改善を示した.
• 平均AUCの改善率は0. 7%から7. 7%で,文献で示された基準値と同等またはそれ以上であった.

結論:

• 放射線学に基づく機械学習モデルは,腎臓腫瘍学における診断精度を向上させる大きな可能性を秘めています.
• 信頼性の高い一般化可能な予測モデルの開発には 調和技術,特にネスト戦闘が不可欠です
• これらの進歩は,臨床実務における患者の管理戦略の改善につながります.