使用基于乳房扫描的机器学习方法区分乳腺瘤和乳腺纤维腺瘤之间的区别:初步研究
Xue-Ying Deng1, Pei-Wei Cao1, Shuai-Ming Nan1
1Department of Radiology, Zhejiang Cancer Hospital, Institute of Basic Medicine and Cancer (IBMC), Chinese Academy of Sciences, Hangzhou, China.
Clinical breast cancer
|July 22, 2023
概括
乳腺造影放射学有效地区分了细胞瘤 (PTs) 和纤维腺瘤 (FA). 机器学习模型显示出高精度,组合模型在验证中表现最好,表明改善乳腺损伤诊断的潜力.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 在乳腺病变管理中,区分线状瘤 (PTs) 和纤维腺瘤 (FAs) 是至关重要的.
- 乳房镜像是主要的成像方法,但区分这些良性和潜在的恶性病变可能是具有挑战性的.
研究的目的:
- 为了评估基于乳房影像的放射学模型的诊断性能.
- 使用放射学特征和机器学习,区分植物瘤 (PTs) 和纤维腺瘤 (FA).
主要方法:
- 追溯分析156名患者 (75名PT,81名FA) 的乳房图像.
- 提取放射学特征,然后使用LASSO和PCA进行选择.
- 实现后勤回归,K-最近邻居,并支持用于放射学,成像和组合模型的矢量机分类器.
主要成果:
- 放射学模型在验证组中实现了0.935的AUC.
- 使用KNN的成像模型显示最高AUC为0.947.
- 合并模型与后勤回归在验证组中实现了0.973的最高AUC,超过了单个模型.
结论:
- 基于乳房影像的放射学特征显示出显著的诊断性能.
- 放射学模型显示了区分PT和FA的前景.
- 结合成像和放射学方法为乳腺病变提供了更高的诊断准确性.
