使用机器学习和基于MRI的放射学,从分散型大B细胞淋巴瘤区分鼻腔NKT

科学领域:

• 放射学 放射学是指放射学
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 鼻腔淋巴瘤,包括外自然杀手/T细胞淋巴瘤 (ENKTL) 和扩散大B细胞淋巴瘤 (DLBCL),存在诊断挑战.
• 准确的区分对于适当的治疗和患者的结果至关重要.
• 需要非侵入性成像生物标志物来补充基因病理学.

研究的目的:

• 构建和验证一种使用磁共振成像 (MRI) 的非侵入性放射学方法,以区分鼻腔ENKTL和DLBCL.
• 将放射学模型的性能与临床图像模型和放射科医生的性能进行比较.

主要方法:

• 分析了133名患者的MRI扫描 (T1加权,T2加权,对比度增强的T1加权).
• 使用最大相关性最小冗余性,selectKbest和LASSO算法提取和选择了放射学特征.
• 机器学习分类器被用来构建诊断模型,包括组合序列支持矢量机器模型.

主要成果:

• 性能最好的模型是使用支矢量机的组合序列放射学模型,在测试队列中实现了高特异性 (0.903) 和精度 (0.900).
• 该模型与放射科住院医生相比,显示出更高的诊断性能,与经验丰富的放射科医生相比,表现相似.
• 该模型结合了7个放射学特征,显示了高灵敏度 (0.889) 和精度回忆曲线下的面积 (0.919).

结论:

• 基于MRI的放射学和机器学习提供了一种有效的,非侵入性的方法来区分鼻腔ENKTL和DLBCL.
• 这种方法显示出作为放射科住院医生的诊断辅助和活检的补充的潜力.
• 进一步验证可能会提高其在鼻腔淋巴瘤诊断中的临床实用性.