基于机器学习的CEMRI放射学集成LI-RADS特征实现了肝细胞癌差异化最佳评估
Hai-Feng Liu1, Yang Lu1, Qing Wang1
1Department of Radiology, Third Affiliated Hospital of Soochow University, Changzhou, Jiangsu, 213000, People's Republic of China.
Journal of hepatocellular carcinoma
|December 5, 2023
概括
来自对比增强MRI的机器学习放射学精确区分肝细胞癌 (HCC) 的等级. 将这些功能与LI-RADS集成,为个性化的HCC诊断提供了最佳工具.
科学领域:
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 诊断依赖于成像,但病理差异化仍然具有挑战性.
- 对比增强磁共振成像 (CEMRI) 提供了HCC的详细可视化.
- 放射学,从医疗图像中提取定量特征,在提高诊断准确性方面显示出有前途.
研究的目的:
- 开发和比较机器学习 (ML) 分类器,使用CEMRI放射学来进行HCC病理差异化.
- 为了验证表现最好的放射学模型的性能.
- 将放射学与肝脏成像报告和数据系统 (LI-RADS) 集成,以进行综合诊断方法.
主要方法:
- 从262个HCC结节的CEMRI图像中提取了5502个放射特征.
- 应用斯皮尔曼等级相关性,mRMR和LASSO用于特征选择和维度减少.
- 训练了8个ML分类器,包括XGBoost,并使用曲线下的面积 (AUC) 评估了性能.
主要成果:
- 基于XGBoost的放射学模型在训练队列中实现了完美的性能 (AUC=1.00,精度=1.00).
- LI-RADS模型显示AUC为0.77 (培训) 和0.82 (验证).
- 综合放射学-LI-RADS模型表现出卓越的性能,HCC差异化AUC为1.00 (训练) 和0.86 (验证).
结论:
- 当与LI-RADS功能集成时,CEMRI放射学为HCC差异化提供了出色的性能.
- 这种综合方法是个性化HCC诊断的最佳临床决策工具.
- 放射学增强了CEMRI在评估HCC病理等级的诊断能力.
