开发和验证基于CT的对比增强型放射性诺米克图谱,用于区分类似质量的胸膜增生和低风险胸膜瘤

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 在瘤学瘤学.

背景情况:

• 从低风险胸膜瘤 (LRT) 区分类似质量胸膜增生 (ml-TH) 在手术前具有挑战性.
• 准确的手术前分化对于适当的患者管理和治疗计划至关重要.

研究的目的:

• 评估基于CT的对比增强型放射性诺米克图谱在区分ml-TH和LRT方面的有效性.
• 整合放射学特征和临床预测器,以提高诊断准确度.

主要方法:

• 分析了135名确诊的ml-TH或LRT患者的队列.
• 机器学习模型 (SVM,LR,XGBOOST,RF) 是使用LASSO选择的放射学特征开发的.
• 使用后勤回归构建了一个放射学名图,结合放射学特征和临床预测指标 (年龄,形状,净增强度).

主要成果:

• 在训练 (AUC:0.959) 和验证 (AUC:0.895) 两组中,放射学名图表表显示出强的性能.
• 命名图显示了良好的校准和识别能力,可以将ml-TH与LRT区分开来.
• 在验证集中的单个机器学习模型中,逻辑回归实现了最高的AUC (0.857).

结论:

• 一个基于CT的放射学诺米克集成放射学特征和临床预测器是一个有希望的非侵入性工具,用于mL-TH和LRT的手术前分化.
• 这种名图具有显著的潜力,可以帮助手术前临床决策,对于患有胸膜损伤的患者.