基于MRI的机器学习融合模型来区分脑炎和质瘤
Fei Zheng1, Ping Yin1, Li Yang2
1Department of Radiology, Peking University People's Hospital, No. 11 Xizhimen South Street, Xicheng District, Beijing, People's Republic of China.
Journal of imaging informatics in medicine
|February 12, 2024
概括
这项研究表明,结合经典机器学习 (CML) 和深度学习 (DL) 放射学,可以更好地区分脑炎与质瘤. 深度学习放射性模型实现了最佳性能,优于单个CML和DL模型.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 区分非典型脑炎与质瘤是具有挑战性的,往往需要侵入性手术.
- 机器学习 (ML) 模型为非侵入性差异化提供了潜力.
- 经典机器学习 (CML) 和深度学习 (DL) 在医疗图像分析方面表现有前途.
研究的目的:
- 为了比较CML和DL模型在区分脑炎和质瘤中的性能.
- 评估来自CML和DL的聚变放射学对这种差异化的有效性.
- 根据表现最佳的模型开发一种临床决策工具.
主要方法:
- 分析了116名患者 (瘤和脑炎) 的轴向FLAIR MRI图像.
- 三种CML模型 (LR,SVM,MLP) 和三种DL模型 (DenseNet 121,ResNet 50,ResNet 18) 的开发和比较.
- 创建一个深度学习放射性模型 (DLR) 和一个深度学习放射性名录 (DLRN).
主要成果:
- 最好的DL模型 (ResNet50) 的表现优于最好的CML模型 (LR).
- 在验证集中,DLR模型表现出优异的预测性能 (AUC 0.879,精度 0.875).
- 与ResNet50和LR相比,DLR模型在决策曲线分析中显示出良好的校准和更高的净收益.
结论:
- ML模型,特别是DLR模型,显示出非侵入性区分非典型脑炎和质瘤的巨大潜力.
- 结合DL和CML的放射学可以提高诊断性能.
- 开发的DLRN和网络计算器可以帮助临床决策.
