一个基于放射学的可解释模型,用于预测胰腺神经内分泌瘤的病理级别
Jing-Yuan Ye1, Peng Fang1, Zhen-Peng Peng2
1Department of Pancreato-Biliary Surgery, The First Affiliated Hospital of Sun Yat-Sen University, No.58 Zhongshan Er Road, Guangzhou, 510080, Guangdong, People's Republic of China.
European radiology
|September 2, 2023
概括
这项研究开发了一个可解释的放射学机器学习模型,使用CT扫描来预测胰腺神经内分泌瘤 (pNET) 的等级. 随机森林模型显示了作为传统活检方法的补充工具的希望.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 胰腺神经内分泌瘤 (pNETs) 需要准确的病理分类来规划治疗.
- 目前的分级方法通常依赖于侵入性手术,如针活检.
- 需要使用非侵入性方法来评估pNET的病理级别.
研究的目的:
- 开发和评估基于放射学的计算机断层扫描 (CT) 可解释的机器学习 (ML) 模型,用于对pNET病理等级的非侵入性预测.
- 为了比较放射学模型与传统针活检的准确性.
- 为了提高ML模型的可解释性,使用Shapley添加式解释 (SHAP) 工具.
主要方法:
- 对222名患有pNET的患者 (2010-2022) 的对比增强腹部CT扫描进行了回顾性分析.
- 提取放射学特征并开发了五个ML模型 (LR,RF,SVM,XGBoost,GaussianNB).
- 使用灵敏度,特异性,精度和AUC进行模型性能评估;使用SHAP评估可解释性和与生物特征的相关性.
主要成果:
- 随机森林 (RF) 模型实现了最高的AUC (0.779) 和精度 (77.0%).
- SHAP工具确定了两个静脉相放射学特征作为最重要的预测因素.
- 这些特征在Ki-67指数和线粒细胞计数子组之间显示出显著的差异 (p < 0.001).
结论:
- 可解释的基于放射学的射频模型可以有效地区分pNET等级 (G1与G2/3) 以有利的可解释性.
- 这种非侵入性放射学模型显示出重要的临床相关性,作为用于pNET分级的传统组织活检的补充工具.
- 该模型有可能帮助pNET管理的临床决策.
