一种基于机器学习的非增强放射学方法,用于区分良性和恶性乳腺病变,使用T2权重和扩散权重的MRI
Yulu Liu1, Xiaoxuan Jia1, Jiaqi Zhao2
1Department of Radiology, Peking University People's Hospital, Beijing, China.
Journal of magnetic resonance imaging : JMRI
|November 7, 2023
概括
使用T2加权 (T2W) 和扩散加权 (DW) 的无增强放射学模型的MRI显示了与对比度增强MRI用于乳腺癌检测的可比度. 这种方法为乳腺癌查提供了一个有希望的替代方案.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 乳腺MRI推用于癌症查,但面临着长时间扫描和使用对比剂的挑战.
- 开发替代查方法对于改善患者的遵守和安全至关重要.
研究的目的:
- 使用T2加权 (T2W) 和扩散加权 (DW) 的MRI序列创建用于乳腺癌检测的未增强的放射学模型.
- 与对比度增强的MRI和放射科医生的评估相比,评估这种未增强模型的诊断性能.
主要方法:
- 一项追溯和前性队列研究,涉及1760名接受3.0TMRI的患者.
- 从T2W和DW图像中提取了放射学特征,以构建和验证预测模型.
- 包括DeLong测试在内的统计分析比较了未增强模型与联合和放射科医生评估的性能.
主要成果:
- 未增强的放射学模型,特别是高斯过程分类器,在训练,验证和测试队列中表现出强的性能 (AUC 0.818-0.893).
- 在未增强模型和对比增强模型或放射科医生的诊断之间没有发现统计学上显著的差异.
- 该模型在现场检测导管癌方面存在局限性,但在其他子组中表现良好.
结论:
- 使用T2W和DWI序列的无增强放射学模型实现了与用于乳腺癌检测的对比增强MRI相美的诊断准确性.
- 这种未经增强的方法为乳腺癌查和诊断提供了一个可行的,可能更安全的替代方案.
