通过使用进化学习模型的CT图像预测头部和部状细胞癌的外节延伸
Tzu-Ting Huang1,2, Yi-Chen Lin3, Chia-Heng Yen2
1Department of Radiation Oncology and Proton & Radiation Therapy Center, Kaohsiung Chang Gung Memorial Hospital, Chang Gung University College of Medicine, No. 129, Dapi Road, Niaosong District, Kaohsiung, Taiwan.
概括
一种进化学习方法,EL-ENE,准确地预测了头部和部状细胞癌 (HNSCC) 的 extranodal扩展 (ENE). 这种可解释的模型有助于临床诊断,在ENE检测方面表现优于放射科医生.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 头部和部状细胞癌 (HNSCC) 的外节延伸 (ENE) 是影响治疗决策的关键预后因素.
- 目前用于ENE预测的深度学习模型缺乏透明度和可解释性,阻碍了临床采用.
研究的目的:
- 开发一种可解释的进化学习模型 (EL-ENE),用于预测HNSCC中的ENE.
- 通过提供透明和强大的ENE预测工具来增强临床诊断.
主要方法:
- 利用了来自364名HNSCC患者的对比增强计算机断层扫描图像.
- 在EL-ENE模型中使用了可遗传的双目标组合遗传算法来进行特征选择和支持向量机参数优化.
- 将EL-ENE模型的诊断性能与独立测试数据集上的三个放射科医生进行了比较.
主要成果:
- 该EL-ENE模型实现了80.00%的准确度,81.13%的灵敏度和79.44%的特异性,用于ENE检测.
- 放射科医生达到70.4%的平均精度,75.6%的灵敏度和67.9%的特异性.
- 关键的预测特征包括灰色水平纹理和淋巴结的3D形态.
结论:
- EL-ENE方法提供了一种准确,可理解和可靠的方法来预测HNSCC中的ENE.
- 来自EL-ENE模型的可解释的放射性特征可以扩展临床知识并支持日常实践.
- 透明的预测模型更值得信赖,并且可能在临床环境中被接受.
更多相关视频
03:55Computer-Aided Three-Dimensional Visualization in the Treatment of Locally Advanced Thyroid Cancer
Published on: June 9, 2023
560
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K