基于CT的机器学习来预测1-5厘米胃胃肠道 stromal 瘤的风险分层

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 胃肠道 stromal 瘤 (GISTs) 需要准确的恶性瘤预测.
• 机器学习 (ML) 提供了提高诊断准确性的潜力.

研究的目的:

• 在CT图像上使用ML预测1-5厘米胃GIST的恶性瘤.
• 为了比较物流回归 (LR),决策树 (DT) 和渐变增强决策树 (GBDT) 模型的性能.

主要方法:

• 在231名患者的CT图像上训练并验证了三种ML模型 (LR,DT,GBDT).
• 评估模型性能使用灵敏度,特异性,精度,PPV,NPV和AUC.
• 将ML模型的性能与外部测试队列中的放射科医生进行比较.

主要成果:

• 在培训/内部验证中,GBDT实现了最高的AUC (0.981) 和精度 (0.923).
• 在外部测试队列中,LR显示了最高的AUC (0.910).
• 无论是GBDT和LR模型都超过了放射科医生,长直径被确定为CT关键特征.

结论:

• ML分类器,特别是GBDT和LR,对胃GIST的风险分层有希望.
• 这些模型在预测GIST恶性瘤方面具有很高的准确性和稳定性.
• 基于CT的长直径是风险分层的最重要的特征.