使用基于超声波弹性学的六种机器学习算法预测皮质甲状腺癌中的BRAFV600E突变
Enock Adjei Agyekum1,2, Yu-Guo Wang3, Fei-Ju Xu1
1Ultrasound Medical Laboratory, Department of Ultrasound, Affiliated People's Hospital of Jiangsu University, Zhenjiang, 212002, China.
Scientific reports
|August 3, 2023
概括
使用超声波弹性学放射性特征的机器学习模型可以预测皮质甲状腺癌 (PTC) 患者的BRAF V600E突变. 带有辐射基函数内核的支向量机器表现出最高的准确性,有助于进行手术前的风险评估.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 生物医学工程 生物医学工程
背景情况:
- BRAF V600E突变是乳头甲状腺癌 (PTC) 的常见驱动因素,导致无法控制的细胞增殖.
- 准确的手术前确定BRAF V600E突变状态对于治疗规划至关重要.
研究的目的:
- 开发和验证机器学习算法,用于预测PTC患者的BRAF V600E突变,使用超声波 (美国) 弹性图像放射性特征.
- 在这个预测任务中比较六种不同的机器学习模型的性能.
主要方法:
- 从138名PTC患者的美国菌株弹性图像的回顾性分析.
- 提取479个放射性特征,然后使用皮尔森相关系数和递归特征消除进行特征选择.
- 训练和验证六个机器学习算法 (SVM_L,SVM_RBF,LR,NB,KNN,LDA) 来预测BRAF V600E突变.
主要成果:
- 该研究确定了27个关键的放射性特征,用于预测BRAF V600E突变.
- 带有辐射基函数内核 (SVM_RBF) 的支向量机实现了最高的性能,精度为0.93和AUC为0.98.
- 在带有BRAF V600E突变和没有BRAF V600E突变的PTC患者之间观察到回声性,直径比和弹性方面的显著差异.
结论:
- 使用美国弹性学放射性特征的机器学习模型可以有效地预测PTC患者的BRAF V600E突变状态.
- SVM_RBF模型显示出有很大的潜力,可以帮助临床医生在PTC手术前风险分层.
- 这种方法提供了一种非侵入性的方法,可以潜在地指导手术和治疗决策.
