一个基于MRI的机器学习模型,用于在手术前预测膀癌的入侵深度
Guihua Chen1, Xuhui Fan2, Tao Wang1
1Department of Urology, Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, 200080, China.
European radiology
|July 20, 2023
概括
全序MRI模型准确地预测膀癌在手术前的入侵深度. 这些机器学习模型提供了一个非侵入性的工具来指导临床决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 膀癌的分期需要准确评估瘤入侵深度.
- 膀癌入侵的术前评估对于治疗规划至关重要.
研究的目的:
- 开发和验证一个预测模型,使用全序MRI进行膀癌入侵深度的术前评估.
- 为了比较不同机器学习技术和特征选择方法的性能,用于此预测任务.
主要方法:
- 从445名膀癌患者的手术前MRI扫描中提取了放射性特征.
- 最小绝对收缩和选择运算符 (LASSO) 和最大相关性最小冗余 (mRMR) 用于特征选择.
- 评估了六个先进的机器学习分类器,使用接收器操作特征 (ROC) 曲线和曲线下的面积 (AUC) 来评估性能.
主要成果:
- 对于病理和肌肉侵袭预测,表现最好的模型使用了LASSO特征选择和随机森林分类器,分别达到0.808和0.828的AUC.
- 一个采用mRMR特征选择和随机森林的外部入侵模型显示出出色的歧视,AUC为0.857.
- 与膀成像报告和数据系统 (VI-RADS) 相比,全序MRI模型显示出更高的性能.
结论:
- 基于全序MRI的预测模型在手术前评估膀癌入侵状态时表现出高准确度.
- 应用于T1加权成像序列的机器学习增强了膀癌入侵预测.
- 这些模型可以帮助临床医生在侵入性手术前识别瘤透特征,改善患者管理.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
