机器学习方法在磁共振成像上区分细胞-超细胞囊性病变

科学领域:

• 神经外科 神经外科
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 细胞区域囊性病变呈现多种病理,使手术方法的选择复杂化.
• 使用磁共振成像 (MRI) 精确的术前分化这些病变是临床医生面临的挑战.
• 现有的诊断方法缺乏用于区分各种囊性病变亚型的特异性.

研究的目的:

• 开发和验证放射学和深度学习模型,以区分细胞区域囊性病变的病理亚型,使用手术前的MRI.
• 与传统的临床评估相比,评估这些AI模型的诊断性能.
• 提供一种非侵入性工具,以提高手术前诊断的准确性和指导手术规划.

主要方法:

• 从使用放射学和深度学习的399名患者的加多增强型MRI扫描中提取特征.
• 机器学习模型的开发,包括支持向量机器,用于分类任务.
• 配对成像差异化分析对四种亚型进行:垂体脑梗塞,囊性垂体腺瘤,拉特克裂囊和囊性瘤.

主要成果:

• 整体模型的平均曲线下面积 (AUC) 为0.7685.5.
• 一种支持向量机器模型在区分囊性膜瘤与拉特克裂囊方面表现出高性能 (AUC = 0.8584).
• 区分囊性脑梗塞和垂体脑梗塞证明具有挑战性 (AUC = 0.6641),平均准确率为0.7532,比临床知识高出8%.

结论:

• 放射学和深度学习为区分细胞囊性病变提供了一个有希望的非侵入性方法.
• 开发的AI模型可以显著提高特定损伤类型的手术前诊断准确度.
• 需要进一步的研究来完善模型,以挑战区别,例如囊性和垂体脑之间.