基于机器学习的模型用于评估宫癌患者的术后风险因素
Zhang Yu1, Qin Zhihui2, Li Linrui1
1Department of Radiology, The First Affiliated Hospital of Anhui Medical University, 81 Meishan Road, Hefei, Anhui 230000, China (Z.Y., Q.Z., L.L., W.Q.); Department of Radiology, West Branch of the First Affiliated Hospital of the University of Science and Technology of China, Hefei, Anhui 230001, China (Z.Y., L.L.).
机器学习的诺姆图集成放射学和内不连贯运动 (IVIM) 扩散加权成像 (DWI) 准确预测子宫癌风险因素. 这种综合方法提高了对参数透,淋巴结转移和深层肌肉入侵的诊断效果.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 宫癌带来了重大的健康挑战,需要准确的手术前风险评估.
- 确定术后风险因素对于有效的治疗计划和患者管理至关重要.
研究的目的:
- 为了评估基于机器学习的放射学和内不连贯运动 (IVIM) 扩散加权成像 (DWI) 对宫癌风险因素的预测价值.
- 开发和验证一个用于预测术后结果的综合模型.
主要方法:
- 对180名宫癌患者的回顾性分析,分为培训和验证组.
- 主要病变的IVIM-DWI和放射学参数的测量.
- 使用机器学习,IVIM-DWI和用于风险预测的临床数据构建名ograms.
主要成果:
- 与MRI单独相比,组合的诺姆图显示出对参数透,淋巴结转移和深层肌肉入侵的诊断效果优越.
- 在预测淋巴血管空间入侵,病理类型,分化程度和Ki-67表达水平方面,实现了高曲线下面面积 (AUC) 值.
结论:
- 基于机器学习的纳米图集成放射学和IVIM-DWI是评估子宫癌术后风险因素的宝贵工具.
- 这些模型在预测各种病理和预后指标方面提供了更高的准确性.
更多相关视频
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
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
