使用不同的机器学习算法和放射学识别破裂的内动脉瘤的比较

科学领域:

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

背景情况:

• 内动脉瘤对健康构成重大风险,破裂导致严重后果.
• 精确预测动脉瘤破裂对于及时干预和改善患者管理至关重要.

研究的目的:

• 开发和比较放射学模型,使用各种机器学习算法来预测破裂的内动脉瘤.
• 在相同的数据条件下评估这些模型的差异性性能.

主要方法:

• 从576名患者的计算机断层扫描血管图像中提取了107个放射性特征.
• 使用12个机器学习算法构建预测模型,包括增强方法.
• 在培训和验证队列中使用曲线下的面积 (AUC) 验证的模型性能.

主要成果:

• 提升算法 (AdaBoost,梯度提升,CatBoost) 在验证队列中实现了最高的AUC值 (0.889,0.883,0.864).
• 这些增强模型显著超过了其他机器学习算法.
• AdaBoost表现出强大的性能,交叉验证的AUC范围为0.842到0.918.

结论:

• 与机器学习集成的放射学模型有效预测破裂的内动脉瘤.
• 提升算法在这个预测任务中表现出卓越的有效性,突出了它们在临床应用中的潜力.
• 机器学习算法的选择显著影响了放射学模型对动脉瘤破裂的预测性能.