基于机器学习的分类松果胚芽瘤从磁共振成像的分类
Suchada Supbumrung1, Anukoon Kaewborisutsakul1, Thara Tunthanathip1
1Division of Neurosurgery, Department of Surgery, Faculty of Medicine, Prince of Songkla University, Songkhla, Thailand.
World neurosurgery: X
|July 17, 2023
概括
机器学习模型可以使用MRI扫描准确地分类松果胚芽瘤. 这项技术有助于区分生殖瘤和非生殖瘤,改善患者的治疗计划.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 手术诊断桃腺瘤存在风险.
- 机器学习 (ML) 图像分类可以帮助处理决策.
- 区分松果胚芽瘤与非胚芽瘤至关重要.
研究的目的:
- 评估ML模型的诊断性能,用于松果胚芽瘤的分类.
- 将ML模型的特征提取方法进行比较.
- 评估ML作为松果瘤诊断工具的潜力.
主要方法:
- 对38名松果瘤患者进行了回顾性队列研究.
- 使用RGB,面向渐变图 (HOG) 和局部二进制模式从MRI扫描中提取特征.
- 训练有素的ML模型 (KNN,RF,ANN) 用于分类松果胚芽瘤.
主要成果:
- 具有HOG的K-最近邻居 (KNN) 获得了最高的灵敏度 (0.81) 和AUC (0.845).
- 有HOG的随机森林 (RF) 显示出高灵敏度 (0.82).
- 使用HOG的人工神经网络 (ANN) 的AUC为0.770.
结论:
- ML图像分类是区分松果胚胎瘤的一个可行的工具.
- 这种方法可以帮助神经外科医生在治疗规划中.
- 未来开发用于松果瘤的ML诊断工具是有希望的.
