基于放射学的机器学习方法,用于体积翻倍的时间预测,使用基线胸部计算机断层扫描进行肺部地面玻璃结节的预测
Wenjun Huang1,2, Hanxiao Zhang2,3, Yanming Ge1,4
1School of Medical Imaging, Weifang Medical University.
Journal of thoracic imaging
|July 9, 2023
概括
神经网络 (NNet) 通过基线CT扫描有效地预测肺地面玻璃结节 (GGN) 体积翻倍时间 (VDT),帮助个性化患者管理,减少不必要的随访.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 精确预测肺地面玻璃结节 (GGN) 体积翻倍时间 (VDT) 对于个性化的患者管理至关重要.
- 胸部计算机断层扫描 (CT) 图像是GGN评估的标准.
研究的目的:
- 将各种机器学习方法进行比较,用于仅使用基线CT图像预测GGN VDT.
- 为可靠的VDT预测确定最佳的机器学习模型.
主要方法:
- 评估了七种经典机器学习方法的稳定性和性能.
- 使用了来自多家医院的176个GGN (90个培训,86个验证) 的数据集.
- 从手术前和基线CT扫描计算出体积翻倍时间.
主要成果:
- 极端渐变增强显示了最高的预测性能 (AUC:0.896).
- 神经网络 (NNet) 显示出卓越的稳定性,并被选为最终模型.
- 在外部验证集中,NNet 实现了 0.756 的准确性.
结论:
- 神经网络显示出从基线CT预测GGNVDT的前景.
- 这种方法可以支持针对GGNs的个性化后续和治疗策略.
- 改善VDT预测可能会减少不必要的随访和辐射暴露.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.5K
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.2K
