一项放射学研究:根据来自乳房影像的纹理特征对乳房病变的分类
Nishta Letchumanan1, Jeannie Hsiu Ding Wong2,3, Li Kuo Tan4,5
1Department of Biomedical Imaging, Faculty of Medicine, Universiti Malaya, Kuala Lumpur, 50603, Malaysia.
Journal of digital imaging
|May 30, 2023
概括
纹理放射学特征从乳房扫描显示在区分良性从恶性乳腺病变的承诺. 机器学习模型,特别是随机森林,实现了高精度,有助于放射科医生评估.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 医疗保健中的机器学习
背景情况:
- 精确区分乳房良性和恶性病变在乳房扫描上对于患者管理至关重要.
- 放射学,从医学图像中提取定量特征,为改善诊断准确性提供了潜在的潜力.
- 机器学习 (ML) 模型可以分析放射学数据中的复杂模式,以帮助病变分类.
研究的目的:
- 评估使用纹理放射学特征从乳房影像来分类乳房病变的可行性.
- 确定最佳的机器学习模型来区分良性病变和恶性病变,并对良性病变进行分类.
- 确定乳腺损伤分类中最重要的放射学和患者特征.
主要方法:
- 使用SERA图书馆从200个回顾性乳房扫描病例中的622个乳房病变中提取了纹理放射学特征.
- 机器学习模型使用放射学特征和患者特征 (例如年龄) 进行训练.
- 使用五倍交叉验证来评估模型性能,并进行特征重要性分析.
主要成果:
- 随机森林 (RF) 模型实现了良性与恶性分类的最高准确度 (89.3%) 和概率比率 (13.5).
- 对于良性病变的分类,RF模型也产生了最高的概率比率 (3.4).
- 形态,纹理放射学特征和患者年龄被确定为最重要的预测特征.
结论:
- 在基于纹理的放射学和患者特征上训练的机器学习模型在区分乳腺病变方面表现出有效的性能.
- 基于放射学的ML模型可能会增强放射科医生对乳腺扫描病变的视觉评估.
- 该研究强调了放射学在提高乳腺癌查诊断决策的价值.
