机器学习模型可以使用扩散加权成像基础的放射学来改善早期发现大脑转移吗?
Joseph Madamesila1,2, Ekaterina Tchistiakova1,2,3, Salman Faruqi4
1Department of Physics and Astronomy, University of Calgary, Calgary, Canada.
Quantitative imaging in medicine and surgery
|December 18, 2023
概括
使用扩散权重成像放射学的机器学习模型对早期发现大脑转移表现出有希望. 这些模型的准确度高达85.8%,通过早期诊断,可能改善患者的治疗结果.
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:
- 大脑转移是癌症发病的重要原因,影响到40%的患者.
- 早期发现大脑转移对于改善患者的治疗结果和生存率至关重要.
- 扩散权重成像 (DWI) 放射学为早期检测提供了一个潜在的途径.
研究的目的:
- 研究机器学习 (ML) 模型在早期发现大脑转移的有效性.
- 利用扩散权重成像 (DWI) 放射学来识别大脑转移.
- 开发和验证ML模型,以区分转移性组织与健康的大脑组织.
主要方法:
- 对116名因脑转移而接受治疗的患者的纵向扩散成像的回顾性分析.
- 从表面扩散系数 (ADC) 地图中提取放射性特征,并分析随时间变化的特征.
- 使用放射性,临床和解剖学数据进行四种分类算法 (SVM,随机森林,AdaBoost,XGBoost) 的训练和验证.
主要成果:
- 机器学习模型在训练组中达到高达87.7%的准确性,在未见测试组中达到85.8%.
- XGBoost和随机森林模型表现出卓越的性能,在验证集上具有高准确性和AUC分数.
- 发现的关键特征包括在对比度增强的T1加权成像上可见转移数月前发生的放射性变化.
结论:
- 基于扩散的放射学和ML模型显示了早期大脑转移检测的令人鼓舞的潜力.
- 这些发现表明,纵向扩散成像和ML可以通过早期诊断和监测来增强患者的护理.
- 未来的研究将专注于改进模型的性能,稳定性和临床适用性.
