放射学机器学习模型的应用,以区分生产阿尔多的腺瘤与非功能性上腺瘤

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 内分泌学 在内分泌学.

背景情况:

• 上腺附带瘤需要对分泌功能进行评估.
• 从临床上来说,区分产生阿尔多斯特的腺瘤 (APA) 和非功能性上腺瘤 (NAA) 是非常重要的.

研究的目的:

• 评估基于对比增强计算机断层扫描 (CECT) 的放射学模型的实用性,以区分APA和NAA.
• 为此诊断任务开发和验证机器学习 (ML) 模型.

主要方法:

• 使用68名APA和60名NAA患者的CECT图像开发了一种放射学模型.
• 使用机器学习 (逻辑回归),结合放射学和临床特征.
• 用AUC,准确性,灵敏度和训练和测试队列中的特异性等指标评估模型性能.

主要成果:

• 放射学分数 (Radscore) 模型在测试队列中实现了0.869的AUC.
• 结合的临床和放射学模型 (Clinic-Radscore) 显示出卓越的性能,AUC为0.994.
• 临床-拉德斯科尔模型在区分APA和NAA方面实现了96.2%的准确性和100%的特异性.

结论:

• 基于CECT的放射学和临床放射学ML模型在区分APA和NAA方面显示出显著的诊断疗效.
• 这种非侵入性,具有成本效益的方法有助于管理上腺副瘤.
• 开发的ML模型为临床决策提供了一个有前途的工具,用于评估上腺瘤.