使用基于机器学习的放射学来区分质瘤和单独的大脑转移从肺癌及其亚型
Feng-Ying Zhu1, Yu-Feng Sun2, Xiao-Ping Yin1
1Department of Radiology, Affiliated Hospital of Hebei University, No.212 of Yuhua Road, Lianchi District, Baoding, 071000, China.
Discover oncology
|December 6, 2023
概括
机器学习放射学准确地区分了脑瘤. 该MLP模型在区分质瘤和肺癌转移方面表现出很高的性能,有助于术前分类.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 精确的脑瘤手术前分类对于治疗计划至关重要.
- 从肺癌中区分质瘤与单独的大脑转移可能是具有挑战性的.
- 肺癌是一种常见的原发性癌症,脑转移的发病率很高.
研究的目的:
- 开发和验证基于机器学习的放射学模型,以区分质瘤与单独的大脑转移,以及肺癌及其亚型.
- 为了实现这些脑损伤的准确手术前分类.
主要方法:
- 对105名质瘤和172名肺癌转移患者的MRI T1WI增强图像的回顾性分析.
- 进行了图像细分,特征提取和过.
- 多层感知子 (MLP),支向量机 (SVM),随机森林 (RF) 和后勤回归 (LR) 模型使用五重交叉验证方法进行训练和验证.
主要成果:
- 该MLP模型在区分高度质瘤 (HGG) 和单一脑转移 (SBM) 中获得了高准确度和AUC (0.992,1.000).
- 对于HGG与小细胞肺癌的SBM,MLP和SVM模型显示出出色的性能 (精度为0.966,AUC为1.000).
- 在区分HGG与非小细胞肺癌SBM方面,MLP表现出卓越的诊断性能 (准确率为0.982,AUC为0.999).
结论:
- 基于机器学习的放射学模型在区分质瘤和肺癌脑转移方面具有显著的临床价值.
- 在大多数验证组中,MLP模型表现出最佳的诊断性能.
- 放射学分析有助于精确的脑瘤手术前分类,指导临床管理.
