机器学习方法在解释内支气管超声波图像中的方法:比较分析

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 瘤学 诊断 诊断 瘤学

背景情况:

• 胸腔内膜超声波 (EBUS) 通过分析淋巴结 (LNs) 对肺癌的分期至关重要.
• 在EBUS图像中精确区分恶性和良性LNs仍然是一个诊断挑战.
• 机器学习 (ML) 提供了增强分析EBUS衍生的超声波特征的潜力.

研究的目的:

• 评估ML算法在从EBUS图像中检测淋巴结恶性病的有效性.
• 将ML模型的诊断性能与传统分类系统进行比较.
• 确定ML是否可以提高基于EBUS的LN分析的准确性和效率.

主要方法:

• 从两个三级保健中心 (2017年1月-2023年3月) 收集的992个淋巴结的EBUS数据的回顾性分析.
• 使用MATLAB开发和验证ML模型 (SVM,KNN),80%的数据用于培训/验证,20%用于测试.
• 基于准确性,接收器操作特征 (ROC) 曲线和与现有分类规则的比较的性能评估.

主要成果:

• 在分析的LNs中观察到42.3%的恶性瘤患病率.
• 恶性LN与更大的尺寸和明显的边缘有关.
• 微调的ML模型 (SVM,KNN) 实现了高测试准确度 (95.9%,96.4%) 和AUROC (0.955,0.963),超过了其他研究和传统方法.

结论:

• 精心调整的ML模型,特别是SVM和KNN,在提高EBUS图像分析方面显示出巨大的潜力.
• 这些ML应用可以大大提高淋巴结恶性瘤的诊断准确性.
• 基于ML的EBUS图像分析代表了胸部瘤诊断的有希望的进步.