基于不同机器学习模型的CT放射学,用于在肝细胞癌中分类总瘤体积和正常肝脏组织
Huai-Wen Zhang1,2, De-Long Huang3, Yi-Ren Wang4
1Department of Radiotherapy, The Second Affiliated Hospital of Nanchang Medical College, Jiangxi Clinical Research Center for Cancer, Jiangxi Cancer Hospital, 330029, Nanchang, China.
概括
机器学习模型使用计算机断层扫描放射学准确地从正常肝脏组织分类肝细胞癌总瘤体积. 在这个分类任务中,Xgboost和SVM算法表现出了卓越的性能.
科学领域:
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 诊断需要区分瘤与正常组织.
- 计算机断层扫描 (CT) 放射学为分析提供了定量成像功能.
研究的目的:
- 开发HCC总瘤体积 (GTV) 和正常肝脏组织的自动分类模型.
- 使用CT放射学特征评估机器学习算法.
主要方法:
- 分析了104名HCC患者的CT数据.
- 通过LASSO回归,提取了放射学特征,并使用LASSO回归应用了维度减小.
- 后勤回归,SVM,随机森林,Xgboost和Adaboost模型进行了训练和验证.
主要成果:
- 七个放射性特征有效地将GTV与正常肝组织区分开来.
- Xgboost获得了最高的性能 (AUC 0.9975),其次是SVM (AUC 0.9846).
- 所有测试的算法都显示出出色的区分能力.
结论:
- CT放射学与机器学习相结合,提供了HCC GTV和正常肝脏组织的准确分类.
- 对于这个应用程序,Xgboost和SVM是非常有效的算法.
