囊性脏质量查:基于机器学习的无增强计算机断层扫描的放射学

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 囊性质 (CRMs) 需要准确区分良性和恶性类型.
• 不增强的计算机断层扫描 (CT) 基于放射学的机器学习 (ML) 分类器和放射科医生的诊断性能与CRM相比较.

研究的目的:

• 为了比较基于CT放射学的ML分类器的诊断性能,与CRM的放射科医生进行比较.
• 评估机器学习模型在协助CRM选方面的潜力.

主要方法:

• 从207名患有病理诊断CRM的患者的无增强CT扫描中提取了放射性特征.
• 机器学习模型 (随机森林,决策树,k-最近邻居) 使用选定的特性构建.
• 进行了外部验证,并使用校准曲线,决策曲线和ROC曲线评估ML模型性能.

主要成果:

• 放射科医生的诊断准确度,灵敏度和特异性分别为85.5%,84.2%和91.1% (AUC,0.87).
• 在训练组中,ML分类器表现高 (准确度,灵敏度,特异性:94.3%-100%).
• 在验证组中,k-最近邻居 (KNN) 与其他ML模型相比显示出更高的灵敏度和准确性.

结论:

• 在诊断CRM方面,基于CT放射学的不增强的ML分类器显示了与放射科医生相似或更高的性能.
• 机器学习模型,特别是KNN,可以作为选CRM的有价值工具,潜在地提高诊断准确性和效率.