基于机器学习的多模式MRI放射学,用于识别患有术后质瘤的患者的真实瘤复发和与治疗有关的影响

科学领域:

• 放射学 放射学是一门学科.
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 区分质瘤真实瘤复发 (TuR) 和与治疗相关的效应 (TrE) 在传统的MRI中具有挑战性.
• 需要改进的诊断工具来准确识别TuR.

研究的目的:

• 开发和评估一个机器学习模型,利用多模式MRI放射学来更好地识别质瘤TuR.
• 提高区分TuR和TrE的效率和准确性.

主要方法:

• 在131名患者的四个MRI序列中,从术后增强 (PoE) 和 (ED) 区域提取了放射性特征.
• 支持矢量机 (SVM) 和k-近邻 (KNN) 模型是使用选定的关键放射性特征构建的.
• 模型性能使用决策曲线分析 (DCA) 和接收器运行特征 (ROC) 曲线进行评估.

主要成果:

• 多模式无线电模型,特别是那些包含PoE区域的无线电模型,表现出卓越的性能.
• 综合多模式模型实现了曲线下的最大面积 (AUC) 值 (SVM为0.965,KNN为0.955).
• 决策曲线分析证实了这些多模式放射学模型的临床实用性.

结论:

• 多模式放射学有效地区分了结质瘤TuR和TrE,支持临床决策.
• 状区域为识别质瘤复发提供了有价值的信息.
• 这种方法有助于为质瘤患者制定个性化治疗策略.