基于放射学的机器学习和深度学习来预测胆囊癌中的血清参与
Shengnan Zhou1, Shaoqi Han2, Weijie Chen3
1Department of Gastrointestinal Surgery, China-Japan Friendship Hospital, Beijing, China.
Abdominal radiology (New York)
|October 3, 2023
概括
使用对比增强计算机断层扫描 (CECT) 的放射学模型有效预测胆囊癌 (GBC) 的血清参与. 后勤回归模型实现了高精度,证明了放射学在GBC分期中的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医学成像分析 医学成像分析
背景情况:
- 胆囊癌 (GBC) 的分期对于治疗计划至关重要.
- 血清干涉是GBC的一个关键预后因素.
- 准确预测血清干预可以改善患者的治疗结果.
研究的目的:
- 评估基于对比增强计算机断层扫描 (CECT) 的放射学模型的预测能力,以检测GBC中的血清参与.
- 为了比较各种机器学习算法的性能和这个预测任务的深度学习模型.
主要方法:
- 对152名GBC患者的回顾性分析.
- 从CECT图像中提取了412个放射性特征.
- 使用七个机器学习算法和一个完全连接的神经网络 (f-CNN) 深度学习模型构建放射学模型.
- 使用接收器操作特征 (ROC) 曲线分析评估模型性能.
主要成果:
- 75个放射性特征显示了群体之间的显著差异 (P < 0.05).
- 后勤回归实现了最高的性能,曲线下的面积 (AUC) 为0.944 (灵敏度为0.889,特异性为0.8).
- f-CNN深度学习模型显示AUC为0.916 (灵敏度为0.733,特异性为0.801).
结论:
- 来自CECT图像的放射学模型显示,在预测血清参与GBC方面具有显著的潜力.
- 这些模型,特别是后勤回归,为GBC血清状况的非侵入性分期提供了令人信服的性能.
