机器学习诊断小肠克朗氏病使用T2加权MRI放射性和临床数据

科学领域:

• 医疗成像中的人工智能
• 放射学和机器学习用于疾病诊断和诊断
• 胃肠道学和放射学

背景情况:

• 放射科医生在使用MR肠道学 (MRE) 诊断克罗恩病 (CD) 时表现出可变的性能和显著的互读器可变性.
• 准确和一致的诊断,是有效的患者管理的关键.

研究的目的:

• 开发一种机器学习 (ML) 方法,利用T2加权MRI的放射性特征来预测叶CD.
• 将ML模型的诊断性能与专家放射科医生进行比较.

主要方法:

• 分析了经过MRE治疗的患者的回顾性和前性数据,这些患者被怀疑患有乳腺癌.
• 在T2加权的SSFSE图像上,从终端阴茎壁和中肠脂肪中的细分感兴趣区域 (ROI) 中提取放射性特征.
• 支持矢量机 (SVM) 模型被训练用于CD分类,并将其性能与三个独立的儿科腹部放射科医生进行比较.

主要成果:

• 性能最好的放射性模型,专注于肠核ROI,实现AUC为0.95和准确率为89.6%.
• 结合放射学和临床数据的整体模型显示出卓越的性能,AUC为0.98,准确率为93.5%.
• 仅放射性模型的表现优于三名放射科医生中的两名,整体模型明显超过了共识放射科医生的准确性 (p = 0.02).

结论:

• 放射性ML模型可以有效地预测儿科大脑叶CD,其表现与专家放射科医生相当或超过.
• 将放射性特征与临床数据相结合,可以显著提高CD的诊断准确性.
• 这种人工智能驱动的方法有望减少读者之间的变化,并提高儿科CD的诊断精度.