五个基于机器学习的放射学模型用于在肝细胞癌中预先预测组织学级的手术前预测
Cuiyun Wu1, Xingyue Du2, Yang Zhang1
1Cancer Center, Department of Radiology, Zhejiang Provincial People's Hospital (Affiliated People's Hospital),, Hangzhou Medical College, 158 Shangtang Road, Hangzhou, Zhejiang, China.
Journal of cancer research and clinical oncology
|August 25, 2023
概括
随机森林 (RF) 放射学模型表现出卓越的稳定性和准确性,从手术前CT扫描中预测高度肝细胞癌 (HCC). 这种AI方法有效地识别高风险HCC患者,以改善临床管理.
科学领域:
- 无线电学 (Radiomics) 是一种辐射学.
- 机器学习 机器学习
- 肝细胞癌 (HCC) 影像成像
背景情况:
- 精确的手术前组织学分类HCC对于治疗规划至关重要.
- 对CECT图像的放射学分析提供了一种用于瘤特征的非侵入性方法.
- 机器学习算法可能会提高放射学模型的预测准确性.
研究的目的:
- 为了比较五个机器学习算法在基于放射学的HCC组织学等级预测中的有效性.
- 开发最稳定的放射学模型来分类高风险HCC患者.
- 为了确定手术前HCC分级的最佳算法.
主要方法:
- 分析了来自175名HCC患者的对比增强计算机断层扫描 (CECT) 扫描.
- 从CECT图像的动脉和门户相中提取了放射性特征.
- 五个机器学习模型 (贝叶斯,RF,KNN,LR,SVM) 被训练并对稳定性 (RSD) 和预测效率 (AUC) 进行了评估.
主要成果:
- 随机森林 (RF) 模型表现出AUC (2.3%) 最低的相对标准偏差 (RSD),表明最高的稳定性.
- 射频模型在训练组中实现了0.995的AUC,在测试组中达到0.837,优于其他模型.
- 高度HCC在研究队列中的28.57%存在.
结论:
- 基于射频的放射学模型是识别高组织学级HCC的最稳定和最有效的模型.
- 这种方法对手术前的HCC患者风险分层具有显著的潜力.
- 放射学与机器学习相结合,为非侵入性HCC评估提供了一个有前途的工具.
