基于CT成像和临床发现的机器学习来区分胰腺胆类型和肠类型的周围癌
Tao Chen1, Danbin Zhang1, Shaoqing Chen2
1Department of Radiology, The First Affiliated Hospital, Zhejiang University School of Medicine, 79 Qingchun Road, Hangzhou, 310003, Zhejiang, China.
Abdominal radiology (New York)
|January 18, 2024
概括
使用计算机断层扫描 (CT) 和临床数据的机器学习模型可以区分周围腹膜腺癌亚型. XGBoost分类器在区分胰腺胆道和肠道类型方面表现出很高的准确性.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗信息学 医疗信息学
背景情况:
- 周边腺癌包括不同的组织学亚型,预后不同.
- 准确的手术前分化这些亚型对于治疗规划至关重要.
研究的目的:
- 开发和验证一种诊断模型,以区分胰腺胆类型和肠类型的周围状腺癌.
- 整合手术前的对比增强计算机断层扫描 (CT) 发现与临床特征,以提高诊断准确性.
主要方法:
- 这是一项对140名患有围性腺癌的患者进行的回顾性研究.
- 使用CT特征和临床数据开发五种机器学习分类器 (逻辑回归,随机森林,多层感知子,光梯度增强,XGBoost).
- 使用培训,内部验证和外部验证集验证模型.
主要成果:
- 机器学习分类器,特别是XGBoost,在区分瘤类型方面表现强 (AUC 0.750.98).
- 在XGBoost分类器取得的AUC为0.98 (培训),0.89 (内部验证) 和0.84 (外部验证).
- 关键的预测因素包括瘤增强程度,生长模式和碳水化合物抗原19-9水平.
结论:
- 整合CT和临床数据的机器学习模型提供了一种非侵入性的方法,用于区分周围囊腺癌组织学亚型.
- 作为用于此目的的诊断工具,XGBoost分类器特别有希望.
