机器学习预测腰椎脊柱狭窄症的减压水平,使用计算机断层扫描的运河放射性特征进行骨髓学
Guoxin Fan1,2, Dongdong Wang3, Yufeng Li4
1Department of Pain Medicine, Huazhong University of Science and Technology Union Shenzhen Hospital, Shenzhen 518056, China.
Diagnostics (Basel, Switzerland)
|January 11, 2024
概括
机器学习准确地预测腰椎脊柱狭窄的减压水平,使用CT骨髓学放射性特征. 嵌入LSVC_SVM分类器显示了LSS患者手术决策的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习在医学中的应用
背景情况:
- 准确的术前识别减压水平对于多层次的腰椎脊柱狭窄 (LSS) 手术成功至关重要.
- 机器学习 (ML) 分类器的开发目的是利用计算机断层扫描骨髓学 (CTM) 数据来预测压缩减压水平.
研究的目的:
- 根据CTM数据开发和评估ML分类器,以预测LSS患者的减压水平.
- 为了识别可预测解压缩水平的关键放射性特征.
主要方法:
- 分析了219名LSS患者的1095个腰部水平.
- 在CTM图像中,从手工划分的骨脊道中提取了放射性特征.
- 通过将六种特征选择方法与12个ML算法相结合,创建了72个ML分类器.
主要成果:
- 嵌入线性支向量 (嵌入LSVC) 是最佳特征选择方法.
- 最重要的预测因素包括质地,强度和形状的放射性特征.
- 嵌入LSVC_SVM分类器实现了ROC-AUC> 0.90和PR-AUC> 0.80,证明了卓越的区分和校准.
结论:
- ML有效地从CTM中提取可解释的放射性特征,用于预测LSS解压级.
- 嵌入LSVC_SVM分类器在LSS患者的临床手术决策中显示出有前途的帮助.
