机器学习方法识别甲状腺腺瘤的准确性比较:教训和新方向
Cynthia Greene1, Noriyuki Fujima2, Osamu Sakai1
1Department of Radiology, Boston Medical Center, Boston University School of Medicine One Boton Medical Center Place, Boston, MA 02118, USA.
American journal of otolaryngology
|December 23, 2023
概括
机器学习可以准确地区分甲状腺腺瘤和淋巴结. 双向长期短期记忆 (Bi-LSTM) 模型在识别这些瘤方面表现优于支持矢量机 (SVM).
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在放射学中的应用.
- 偏甲状腺疾病诊断 偏甲状腺疾病诊断
背景情况:
- 副甲状腺瘤使用标准成像技术很难与淋巴结区分开来.
- 准确的区分对于适当的患者管理和治疗规划至关重要.
- 正在探索新的计算方法来提高诊断准确度.
研究的目的:
- 为了比较支持矢量机 (SVM) 和双向长短期记忆 (Bi-LSTM) 机器学习模型在检测甲状腺腺瘤方面的准确性.
- 确定影响这些机器学习技术准确性的因素.
- 评估这些模型在一致和准确的甲状腺腺瘤检测方面的潜力.
主要方法:
- 分析了93名被证实患有甲状腺腺瘤和112个淋巴结的患者的4D-CT扫描.
- 使用ResNet50开发Bi-LSTM模型,用于在2DCT片上进行序列分类.
- 创建基于损伤平均增强曲线的SVM模型.
主要成果:
- 在Bi-LSTM模型中,训练数据的曲线下的面积 (AUC) 为0.99,而SVM则为0.95.
- 验证数据的整体准确性为Bi-LSTM的92%和SVM的88%.
- 甲状腺腺瘤的特定精度为Bi-LSTM的93%与SVM的83%相比.
结论:
- 增强特征是准确识别甲状腺腺瘤的关键特征.
- 与SVM模型相比,Bi-LSTM模型在统计学上表现优越.
- 机器学习,特别是Bi-LSTM,提供了一种有前途的方法,可以使用成像数据将甲状腺腺瘤与淋巴结区分开来.
