基于机器学习的CT纹理分析用于丸质量的分化
Can Hu1,2, Xiaomeng Qiao3, Zhenyu Xu4
1Department of Urology, The First Affiliated Hospital of Soochow University, Suzhou, Jiangsu, China.
Frontiers in oncology
|January 31, 2024
概括
计算机断层扫描纹理分析 (CTTA) 有效地区分良性和恶性丸质量. 这种非侵入性方法在诊断丸瘤,包括淋巴瘤和半瘤方面表现有前途,有助于临床决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 丸质量需要准确地区分良性和恶性类型.
- 区分原发性丸淋巴瘤和特定的生殖细胞瘤,如半瘤是临床上有意义的.
- 目前的诊断方法可能具有侵入性或缺乏特异性.
研究的目的:
- 评估计算机断层扫描纹理分析 (CTTA) 在区分良性和恶性丸质量的有效性.
- 评估CTTA在恶性瘤中识别原发性丸淋巴瘤的能力.
- 确定CTTA在丸生殖细胞瘤中识别半瘤的能力.
主要方法:
- 追溯分析77名经遗传学证实丸质量患者.
- 从无增强和增强对比度的CT图像中提取3D纹理特征.
- 在特征选择和数据平衡后,应用机器学习分类器,包括逻辑回归 (LR),自动编码器 (AE),支持矢量机 (SVM) 和线性差异分析 (LDA).
主要成果:
- 后勤回归 (LR) 在区分良性和恶性丸质量方面表现最高,AUC为0.946.
- 在识别原发性丸淋巴瘤 (0.982) 和半瘤 (0.928) 方面,LR实现了优异的AUC.
- 纹理特征表现出极好的复制性 (ICC ≥0.8).
结论:
- CT纹理分析 (CTTA) 是一种新且有前途的非侵入性工具,用于诊断和区分丸质量.
- 基于CTTA的LR模型有助于泌尿科医生准确的术前和术后决策.
- 这项研究是CTTA首次用于评估丸瘤异质性的应用.
