机器学习和深度高效网的应用,以区分新生儿上腺血瘤与神经母细胞瘤在增强计算机断层扫描图像中的区别

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 上腺血瘤和神经母细胞瘤是新生儿的关键差异诊断.
• 准确的区分对于适当的临床管理至关重要.

研究的目的:

• 开发和评估放射性指标使用计算机断层扫描 (CT) 成像结合机器学习 (ML) 和深度学习 (DL).
• 在新生儿中非侵入性地区分上腺血瘤和上腺神经母细胞瘤.

主要方法:

• 使用CT扫描对76名新生儿 (40名神经母细胞瘤,36名上腺血瘤) 进行了回顾性分析.
• 使用Pyradiomics提取放射性特征,然后进行ML分类 (SVM,AdaBoost,额外树木等). 和DL (高效网络).
• 使用接收器操作特征 (ROC) 曲线下的面积 (AUC) 的性能评估.

主要成果:

• 使用LASSO逻辑回归选择了9个放射性特征.
• 在训练和测试队伍中,ML模型在训练和测试队伍中都实现了高AUC (例如,在训练中额外树木AUC为1,000,在测试中为0.958).
• 在DL框架下,AUC达到0.987的分类.

结论:

• 基于CT的放射学特征与ML和DL相结合,提供了一个强大的,非侵入性的方法来区分新生儿上腺血瘤与神经母细胞瘤.
• 这些人工智能驱动的方法与临床专家相比,表现优越.