一个基于CT的临床,放射和放射性机器学习模型,用于预测固体瘤的恶性瘤 (UroCCR-75)
Cassandre Garnier1, Loïc Ferrer2, Jennifer Vargas2
1Department of Imaging and Interventional Radiology, Hôpital Pellegrin, Place Amélie-Raba-Léon, 33076 Bordeaux, France.
Diagnostics (Basel, Switzerland)
|August 12, 2023
概括
使用CT扫描特征的机器学习模型可以区分良性瘤和恶性瘤. 结合临床,放射学和放射学数据,可以提高癌检测的诊断准确性.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 区分良性瘤和恶性瘤对于有效的患者管理至关重要.
- 定量CT特征分析,包括放射学,在改善诊断准确性方面显示出希望.
研究的目的:
- 为了比较机器学习模型在区分良性和恶性固体瘤方面的性能.
- 评估利用生物临床,常规放射学和3D放射性特征的模型.
- 用手术前的多相对比增强CT检查来评估诊断能力.
主要方法:
- 从国家癌数据库 (2016年1月 - 2020年12月) 获得的前性数据的回顾性分析.
- 半自动细分用于3D放射性特征提取在查阶段.
- 传统放射学参数,生物和临床特征的整合.
- 使用十倍交叉验证对八个机器学习模型进行培训和验证.
主要成果:
- 分析包括来自122名患者的132例病变 (111例恶性病变,21例良性病变).
- 恶性与单边性,亡,门户时间较低的瘤/皮质比率和较高的比率变化有关.
- 一个C5.0Tree模型实现了95%的灵敏度,42%的特异性,87%的准确性和0.74的AUC,与RCCs相关的"强度平均值".
结论:
- 整合临床,放射学和放射性特征的机器学习模型显示了区分良性和恶性固体瘤的潜力.
- 多相对比增强CT扫描与人工智能相结合,可以帮助诊断脏瘤.
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
