基于F-FDG-PET/CT的机器学习模型评估了上腺外恶性瘤患者的不确定的上腺结节

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习在医学中的应用

背景情况:

• 区分上腺良性结节 (ABNs) 和上腺转移 (AMs) 在患有不确定的上腺结节和上腺外恶性瘤的患者中至关重要.
• ¹⁸F-FDG-正子发射断层扫描/计算机断层扫描 (PET/CT) 是评估上腺病变的关键成像方式.

研究的目的:

• 评估机器学习模型和基于F-FDG-PET/CT成像的简化评分系统的诊断价值,以区分ABN与AM.
• 为了确定预测上腺转移的关键临床和成像特征.

主要方法:

• 一项回顾性研究包括303名患有未确定的上腺结节和上腺外恶性瘤的患者.
• 使用临床和F-FDG-PET/CT特征 (包括SUVmax,未增强的CT值,性别和临床阶段) 开发了一个多变量后勤回归模型来预测AMs.
• 模型性能使用接收器操作特征曲线 (AUC) 和校准曲线进行评估.

主要成果:

• 预测模型实现了高诊断性能,AUC为0.936 (训练) 和0.931 (测试).
• 关键预测因素包括性别,SUVmax比率,未增强的CT值和临床阶段.
• 一个简化的评分系统显示了与预测模型相比的诊断值,AUC为0.938 (训练) 和0.931 (测试).

结论:

• 一个机器学习模型和使用F-FDG-PET/CT成像的简化评分系统可以有效地预测上腺转移在未确定上腺结节的患者.
• 简化得分系统为临床使用提供了一个实用且易于实施的工具.