机器学习模型与计算机断层扫描 放射学和临床生物化学特征 预测患有初级阿尔多斯特罗尼斯症患者的亚型
Po-Ting Chen1, Pei-Yan Li2, Kao-Lang Liu3
1Institute of Biomedical Engineering, College of Medicine and College of Engineering, National Taiwan University, Taipei, Taiwan (P.T.C, P.Y.L., C.M.C.); Department of Medical Imaging, National Taiwan University Hospital and National Taiwan University College of Medicine, Taipei, Taiwan (P.T.C., K.L.L., C.C.C.); Department of Medical Imaging, National Taiwan University Cancer Center and National Taiwan University College of Medicine, Taipei, Taiwan (P.T.C., K.L.L.); Department of Medical Imaging, National Taiwan University Hospital Hsinchu Branch, Hsinchu, Taiwan (P.T.C.).
这项研究开发了一种机器学习模型,使用CT放射学和患者数据来预测原发性阿尔多斯特隆症 (PA) 亚型. 该模型准确地区分PA亚型和横向化,优于传统的成像方法.
科学领域:
- 内分泌学 在内分泌学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 主要阿尔多斯特主义 (PA) 诊断依赖于上腺静脉采样 (AVS) 来区分亚型.
- 准确的亚型对有效的治疗选择至关重要.
研究的目的:
- 使用计算机断层扫描 (CT) 放射学和临床生物化学数据开发和验证PA亚型的预测模型.
- 为了提高PA亚型和横向化的诊断准确度.
主要方法:
- 对接受AVS的158名PA患者的回顾性分析.
- 开发两阶段神经网络机器学习模型,集成CT放射学和临床生物化学特征.
- 使用交叉验证进行性能评估,并与放射科医生评估进行比较.
主要成果:
- 结合CT放射学和临床生物化学数据的综合模型在第一阶段显示出优异的性能.
- 基于放射性模型的模型在第二阶段实现了高精度 (88%) 的横向化.
- 与放射科医生的评估相比,最终提出的模型显示出更高的准确性和F1得分 (p < .05).
结论:
- 一个新的机器学习模型有效地预测了PA子类型和横向化.
- 这种人工智能驱动的方法提供了比传统成像更好的诊断性能.
- 该模型有可能补充和完善PA的诊断工作流程.
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
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
