基于MRI的自动机器学习模型,用于在肌肉侵入性膀癌中进行手术前鉴定变异性组织学
Jingwen Huang1, Guanxing Chen2, Haiqing Liu1
1Department of Radiology, Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University, Guangzhou, 510120, China.
European radiology
|September 1, 2023
概括
使用MRI的自动机器学习模型可以在肌肉侵入性膀癌 (MIBC) 患者中从纯粹的UC区分状分化 (UC w/SD) 的尿路细胞癌与纯粹的UC. 这种非侵入性工具有助于MIBC的手术前诊断和临床决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 在肌肉侵入性膀癌 (MIBC) 中,从纯尿道癌 (UC w/SD) 进行变异性组织学的术前分化,例如状分化的尿道癌 (UC w/SD),由于不同的治疗策略至关重要.
- 准确的手术前诊断仍然具有挑战性,需要先进的诊断工具.
研究的目的:
- 开发和验证一种非侵入性,自动化机器学习 (AutoML) 模型,用于MIBC患者的UC w/SD与纯UC的手术前区分.
- 通过基线膀MRI的放射性,语义和临床特征来评估模型的性能.
主要方法:
- 使用T2加权MRI的13个放射性特征,ADC值和119名MIBC患者的临床数据 (瘤长度,阶段,淋巴结状况) 构建了一个AutoML模型.
- 数据集被分为培训 (3:1) 和测试集,培训集经过了十倍的交叉验证.
- 模型性能在测试组上使用接收器运行特征曲线 (AUC) 下的面积来评估.
主要成果:
- 自动ML模型在训练组 (AUC = 0.955) 和测试组 (AUC = 0.932) 中都显示出强大的差异化能力.
- 该模型实现了高准确性,表明其具有在MIBC中可靠的变异组织学的术前分类潜力.
结论:
- 开发的基于MRI的AutoML模型有效地区分UC w/SD与MIBC患者的纯UC.
- 这种非侵入性,低成本的预测工具,整合了放射性,语义性和临床特征,可以帮助进行手术前诊断和临床决策,用于MIBC管理.
