基于机器学习的磁共振放射学分析,用于预测低级和高级清细胞瘤,细胞癌
Ki Choon Sim1, Na Yeon Han1, Yongwon Cho2
1From the Department of Radiology, Korea University Anam Hospital, Korea University College of Medicine.
Journal of computer assisted tomography
|November 10, 2023
概括
来自MRI的放射性特征可以区分高度和低度的透明细胞细胞癌 (ccRCC). 使用这些功能的机器学习模型显示了对非侵入性ccRCC分级的有希望的诊断性能.
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:
- 清细胞细胞癌 (ccRCC) 的分级对于治疗决策至关重要.
- 需要准确的非侵入性方法来区分ccRCC等级.
- 医学成像的放射学分析为定量特征提取提供了潜力.
研究的目的:
- 调查磁共振成像 (MRI) 中的放射学特征在区分高级和低级ccRCC的实用性.
- 开发和验证用于ccRCC等级预测的机器学习模型,使用MRI衍生放射学.
主要方法:
- 对154名病理学证明的ccRCC患者的回顾性分析.
- 从T2权重成像 (T2WI),扩散权重成像和对比度增强的T1权重成像中提取834个放射性特征.
- 使用放射学特征和放射学发现开发随机森林模型,用于ccRCC等级预测.
主要成果:
- 基于T2WI的放射学模型在测试队列中实现了接收器运行特征曲线 (AUC) 下的面积为0.82.
- 结合T2WI放射学和放射学特征的混合模型显示AUC从0.73到0.80.
- 这些模型在区分ccRCC等级方面表现出令人满意的诊断性能.
结论:
- 基于MRI的放射学分类器模型显示了有效的诊断性能,可以预测ccRCC等级.
- 这些模型可以作为CCRCC管理中的临床决策的宝贵的非侵入性工具.
- 进一步验证是有必要的,以建立广泛的临床实用性.
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
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
