基于机器学习的超声波放射学模型对胆囊质量的风险分层:一个前性和多机构研究
Li-Fan Wang1, Qiao Wang2,3, Feng Mao4
1Department of Ultrasound, Institute of Ultrasound in Medicine and Engineering, Zhongshan Hospital, Fudan University, Shanghai, China.
European radiology
|July 20, 2023
概括
基于机器学习 (ML) 的超声波 (US) 放射学模型有效地风险分层胆囊 (GB) 质量. 这些模型与传统的美国和对比增强的美国 (CEUS) 相比,显示出更高的诊断性能,可能减少不必要的手术.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 胆囊 (GB) 质量需要准确的风险分层来指导临床管理.
- 传统的超声波 (US) 和对比度增强的US (CEUS) 在区分瘤与非瘤GB病变方面存在局限性.
- 机器学习 (ML) 提供了在医学成像中提高诊断准确性的潜力.
研究的目的:
- 评估基于ML的美国放射学模型的诊断性能,用于GB质量的风险分层.
- 为了比较基于ML的美国放射学模型与传统的美国和CEUS的疗效.
- 评估这些模型在减少不必要的胆囊切除术方面的潜力.
主要方法:
- 从前期分析了来自640名患者的640个病理确认的GB质量.
- 从美国灰度图像和精选的相关特征中提取了放射性特征.
- 开发并验证了11个ML算法,专注于风险分层的最佳XGBoost模型.
- 与传统的美国和CEUS模型进行诊断性能比较.
主要成果:
- 基于XGBoost的最佳美国放射学模型在将瘤与非瘤GB病变区分开来方面显著优于传统美国 (AUC:0.822-0.853与0.642-0.706).
- 与传统的美国相比,这种ML模型在区分GB癌症和良性病变方面表现优异 (AUC:0.904-0.979与0.706-0.766).
- 在XGBoost模型中,比CEUS更好地区分GB癌症 (AUC:0.995对比0.902).
- 一项推测性比较表明,不必要的胆囊切除术的潜在减少 (2.7-13.8%对比53.6-64.9%).
结论:
- 基于ML的美国放射学模型显示,GB质量的准确风险分层具有显著的潜力.
- 这些模型有可能减少不必要的胆囊切除术的发生率.
- 基于XGBoost的美国放射学模型为GB质量评估提供了比传统的美国和CEUS更好的替代方案.
