基于CT特征的机器学习方法区分G1/G2和G3 胰腺神经内分泌瘤
Hai-Yan Chen1, Yao Pan2, Jie-Yu Chen1
1Department of Radiology, Zhejiang Cancer Hospital, Institute of Basic Medicine and Cancer (IBMC), Chinese Academy of Sciences, Hangzhou 310022, Zhejiang, China (H.-Y.C., J.-Y.C., L.-L.L., Y.-B.Y., K.L., Q.M., L.S.).
Academic radiology
|December 5, 2023
概括
机器学习模型使用CT特征有效区分胰腺神经内分泌瘤 (PNET) 等级. 后勤回归和支持向量机分类器在区分高等级 (G3) PNET和低等级 (G1/G2) 瘤方面表现出高准确度.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 胰腺神经内分泌瘤 (PNET) 呈现不同程度的恶性瘤,影响患者的预后和治疗策略.
- 准确的PNET分级对于临床决策至关重要.
- 根据成像特征区分高等级 (G3) PNET和低等级 (G1/G2) PNET仍然是一个挑战.
研究的目的:
- 识别计算机断层扫描 (CT) 功能,使1/2级 (G1/G2) PNET与3级 (G3) PNET有所区别.
- 评估不同机器学习 (ML) 方法在分类PNET成绩中的性能.
主要方法:
- 对来自147名患者的155个PNET病变进行了回顾性分析.
- 使用最小绝对收缩和选择运算符 (LASSO) 和主要组件分析 (PCA) 进行特征选择.
- 使用逻辑回归 (LR),支向量机 (SVM) 和K-最近邻居 (KNN) 的分类模型的开发.
主要成果:
- 与G1/G2 PNET相比,3级PNET表现出更具入侵性的行为,CT上的增强率较低.
- 在训练组中,LR以95.4%的准确度实现了最高的AUC (0.964).
- 在验证组中,SVM以91.5%的准确度实现了最高的AUC (0.952).
结论:
- 机器学习模型,特别是LR和SVM,在区分G1/G2和G3 PNET方面显示出显著的潜力.
- 基于CT的ML分析可以有助于PNET的非侵入性分级,支持临床管理.
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