在18岁以上的儿童中预测T细胞淋巴瘤F-FDG PET-CT成像与多个机器学习模型

科学领域:

• 核医学就是核医学.
• 放射学 放射学是一门学科.
• 机器学习在瘤学中

背景情况:

• 儿童T细胞淋巴瘤的诊断可能具有挑战性.
• 18F-FDG PET/CT成像是淋巴瘤管理中的关键工具.
• 放射学为定量图像分析提供了潜力.

研究的目的:

• 评估使用18F-FDG PET/CT用于查儿科T细胞淋巴瘤的放射学模型的可行性.
• 为了比较基于SUV/CT和基于PET/CT的辐射模型的性能.
• 为此应用评估各种机器学习分类器.

主要方法:

• 开发两种放射学模型:基于SUV/CT和基于PET/CT的模型.
• 利用后勤回归,支持向量机,神经网络和自适应增强分类器.
• 模型经过训练并使用儿科患者的病变数据进行验证.

主要成果:

• 基于PET/CT的放射学模型在预测T细胞淋巴瘤方面表现优于基于SUV/CT的模型.
• 后勤回归证明了最高的准确性 (0.779患者级,0.838病变级) 和AUC (0.863患者级,0.907病变级).
• 基于PET/CT的模型显示了高准确度,AUC,并且很适合查儿科T细胞淋巴瘤.

结论:

• 基于18F-FDG PET/CT的放射学模型对于儿童T细胞淋巴瘤的查是可行的和准确的.
• 这些车型在单独的SUV相关功能上提供了附加值.
• 机器学习分类器,特别是后勤回归,提高了诊断性能.