使用基于机器学习的超声波放射学预测胃肠道 stromal 瘤的风险分层
Minling Zhuo1, Yi Tang1, Jingjing Guo1
1Department of Ultrasound, Fujian Medical University Affiliated Union Hospital, No. 29 Xinquan Road, Fuzhou, 350001, Fujian, China.
Journal of medical ultrasonics (2001)
|October 5, 2023
概括
使用超声波放射学的机器学习模型可以预测胃肠道瘤 (GIST) 复发风险. 这些模型,包括后勤回归和支向量机,与放射科医生相比,显示出更高的准确性.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 胃肠道 stromal 瘤 (GISTs) 构成术后复发的风险.
- 准确的风险分层对于患者管理和治疗规划至关重要.
- 目前的方法可能在非侵入性预测GIST复发风险方面存在局限性.
研究的目的:
- 开发一个预测模型来评估GIST复发的风险.
- 为了整合传统的超声波功能,超声波放射学和机器学习算法.
- 为了评估模型的性能与放射科医生的评估对比.
主要方法:
- 对230名病理诊断的GIST患者的回顾性分析.
- 从超声波图像中提取放射性特征.
- 使用SelectKbest和递归消除来选择特征.
- 开发和比较五个机器学习算法 (LR,SVM,RF,XGBoost,MLP).
主要成果:
- 开发了一种结合七种放射学和一种常规超声波特征的模型.
- 机器学习模型准确地预测了GIST恶性潜力.
- 后勤回归 (AUC 0.881) 和SVM (AUC 0.879) 显示出比放射科医生更优异的性能 (精度为0.691).
结论:
- 超声波放射学与机器学习相结合,为预测GIST生物风险提供了一种非侵入性方法.
- 这种方法可以帮助分层GIST复发风险.
- 机器学习模型的表现明显超过了主观放射科医生的评估.
