机器学习算法:CNO中的纹理分析和在全身MRI上区分CNO和骨髓生长相关变化的应用
Marta Forestieri1, Antonio Napolitano2, Paolo Tomà1
1Imaging Department, Bambino Gesù Children's Hospital, IRCCS, 00165 Rome, Italy.
Diagnostics (Basel, Switzerland)
|January 11, 2024
概括
机器学习和深度学习有效地区分了慢性非细菌性骨髓炎 (CNO) 骨病变与儿科患者的正常骨髓变化. 神经网络实现了最高的准确性,证明了改善诊断能力的潜力.
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:
- 慢性非细菌性骨髓炎 (CNO) 提出了诊断挑战,经常模仿其他骨髓病理.
- 区分CNO病变与正常骨髓变化对于准确的儿科患者管理至关重要.
研究的目的:
- 用MRI分析CNO骨损伤的纹理特征.
- 通过机器学习 (ML) 和深度学习 (DL) 来区分CNO病变与骨髓生长相关的变化.
主要方法:
- 利用了66名CNO患者和28名对照者的1.5TMRI扫描.
- 使用Pyradiomics应用纹理分析 (TA) 并评估了9个ML分类器和DL神经网络 (NN).
- 使用准确性,AUC-ROC,F1得分,PPV,MAE和RMSE评估模型性能,并使用Shapley的附加解释解释性.
主要成果:
- 该DL神经网络实现了最高的分类准确性 (ACC=0.91,AUC=0.93,F1分数=0.94,PPV=93.8%).
- 整体ML方法,特别是堆 (ST) 分类器,也表现出强的性能 (ACC = 0.85,AUC = 0.81,F1分数 = 0.9,PPV = 90%).
- 博鲁塔算法确定了用于区分病变类型的关键预测纹理特征.
结论:
- 在儿童群体中,ML和DL方法显示出区分CNO病变与血液形成骨髓变化的显著潜力.
- 神经网络模型表现出卓越的性能,突出了其在诊断CNO中的实用性.
- 堆叠分类器为这种诊断任务提供了传统的ML方法中强大的替代方案.
