机器学习集成Tc Sestamibi SPECT/CT和放射学数据实现了对脏瘤瘤的最佳表征
Michail E Klontzas1,2,3, Emmanouil Koltsakis4, Georgios Kalarakis4,5
1Department of Medical Imaging, University Hospital of Heraklion, Heraklion 71110, Greece.
Cancers
|July 29, 2023
概括
将放射学与技术-99m sestamibi SPECT/CT 结合起来,可以改善良性脏瘤细胞瘤与癌症的分化. 这种新的SPECT/放射学方法提供了高精度和最小的错误结果,以改善诊断.
科学领域:
- 核医学是一种核医学.
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
背景情况:
- 在99mTc塞斯塔米比SPECT/CT扫描中,细胞性瘤可以呈阳性.
- 区分这些良性瘤与侵袭性细胞癌对于治疗决策至关重要.
- 需要先进的诊断工具来改善手术前的表征.
研究的目的:
- 开发和评估一种结合放射学和99mTc塞斯塔米比SPECT/CT方法,以区分良性瘤瘤和细胞癌.
- 为了比较组合模型的诊断性能与单独的放射学和视觉SPECT/CT解释.
主要方法:
- 预期收集57个脏瘤,并进行了他的病理学分析.
- 从成像数据中提取放射学特征.
- 训练XGBoost分类器,仅使用放射学特征,并与视觉99mTcSestamibi SPECT/CT发现相结合.
- 对模型准确度,AUC,正预测值 (PPV) 和负预测值 (NPV) 的评估.
主要成果:
- 综合的SPECT/放射学模型实现了95%的准确性和98.3%的AUC.
- 仅放射学模型的准确率为71.67%和AUC为75%;视觉SPECT/CT解释的准确率为90.8%和AUC为90.8%.
- 与其他方法相比,组合模型显示出优越的PPV (100%) 和NPV (85.71%).
- 99mTc塞斯塔米比吸收是组合模型中最重要的特征.
结论:
- 将放射学分析与99mTc塞斯塔米比SPECT/CT结合起来,显著提高了良性脏瘤瘤瘤的术前特征.
- 拟议的SPECT/放射学分类器的性能优于仅放射学和视觉解释方法.
- 这种综合方法提供了更好的诊断性能,减少了假阳性和假阴性率.
关键词:
99mTc 塞斯塔米比 SPECT/CT 标题在XGboost中使用XGboost.人工智能的人工智能是人工智能.机器学习是机器学习.无线电学 (radiomics) 是一种无线电学.细胞癌瘤是细胞癌.脏瘤细胞新生病.脏细胞瘤是脏细胞瘤.更多相关视频
09:31In Vivo, Percutaneous, Needle Based, Optical Coherence Tomography of Renal Masses
Published on: March 30, 2015
8.9K
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
