基于MRI的多参数机器学习模型用于与波斯尼亚克分类相比的囊性脏质量的特征,2019年版本:多中心研究
Huanhuan Kang1, Wanfang Xie2, He Wang3
1Department of Radiology, First Medical Center of Chinese PLA General Hospital, No.28 Fuxing Road, Haidian District, Beijing 100853, China.
Academic radiology
|January 19, 2024
概括
一个新的基于MRI的随机森林 (RF) 模型准确地区分良性和恶性囊性质 (CRMs). 这种机器学习方法表现出与波斯尼亚克分类 (2019年版本) 相当的性能,并有助于治疗决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 从临床上讲,区分良性和恶性囊性质 (CRMs) 是具有挑战性的.
- 准确的CRM表征对于适当的患者管理和治疗规划至关重要.
- 现有的分类系统可能在准确性和观察者之间的变化方面存在局限性.
研究的目的:
- 开发和评估基于MRI的机器学习模型,以区分良性和恶性CRM.
- 为了比较最好的机器学习模型与博斯尼亚克分类,2019年版本 (BC,2019年版本) 的性能.
- 在复杂的CRM案例中评估模型的实用性 (BC类别II-IV).
主要方法:
- 一项多中心研究招募了经过手术验证的CRM患者,他们在2009年至2021年期间接受了脏MRI.
- 训练了物流回归 (LR),随机森林 (RF) 和支持矢量机 (SVM) 模型来分类CRM.
- 两位放射科医生独立使用2019年版本的BC对CRM进行了分类;模型性能使用曲线下面面积 (AUC) 和准确度进行了评估.
主要成果:
- 随机森林 (RF) 模型在测试组中表现出最高的性能,AUC为0.907,准确度为83.3%.
- 射频模型的性能与2019年版的波斯尼亚人分类 (AUC 0.893,准确率为81.2%) 相似,没有统计学上显著的差异.
- 在复杂的CRM中,射频模型实现了0.880的AUC和81.0%的准确性.
结论:
- 基于MRI的随机森林模型提供了良性和恶性CRM的准确差异化.
- 它的表现与已建立的波斯尼亚语分类,2019年版本的表现相当.
- 该模型有望促进治疗决策,特别是在复杂的病例中,并可能减少观察者之间的变化.
