使用放射学和机器学习在脑瘤中区分辐射缩和转移性进展

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 由于成像的相似性,区分辐射死亡 (RN) 和转移性进展是具有挑战性的.
• 准确的区分对于确定适当的患者治疗和改善结果至关重要.

研究的目的:

• 建立一种自动化技术来区分RN与大脑转移进展.
• 利用放射学和机器学习来提高放射术后大脑转移的诊断准确度.

主要方法:

• 分析了八十六名患有脑转移后立体放射手术的患者.
• 从对比后T1加权的MRI中提取了放射学特征,使用各种过器 (离散波束转换,Laplacian-of-Gaussian,梯度,方形).
• 机器学习分类器 (随机森林,物流回归,支持矢量分类) 进行了培训和验证.

主要成果:

• 使用梯度过器的随机森林分类实现了最高的性能 (AUC=0.910±0.047,精度=0.8±0.071).
• 用波幅_HHH进行支向量分类显示了强有力的结果 (AUC=0.890±0.89).
• 与其他模型相比,物流回归产生了较低的性能指标.

结论:

• 基于机器学习的放射学分析可以准确地区分RN与MRI上的瘤复发.
• 这种自动化方法可能会避免对活检的需要,可能会提高治疗结果.