脏评分监测:使用MRI预测清细胞细胞癌生长的预测机器学习模型
Pouria Yazdian Anari1, Aryan Zahergivar1, Nikhil Gopal2
1Radiology and Imaging Sciences, Clinical Center, National Institutes of Health, 10 Center Drive, Bethesda, MD, 20892-1109, USA.
Abdominal radiology (New York)
|February 12, 2024
概括
机器学习模型可以预测Von Hippel-Lindau (VHL) 综合征患者的清细胞细胞癌 (ccRCC) 增长率. 这有助于个性化瘤监测和手术规划VHL相关的ccRCC.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是指放射学
- 机器学习 机器学习
背景情况:
- 清细胞细胞癌 (ccRCC) 的生长率分类对于管理患有Von Hippel-Lindau (VHL) 综合征的患者至关重要.
- 准确的预测有助于瘤监测和VHL患者的手术规划.
研究的目的:
- 开发和评估用于预测ccRCC增长率类的机器学习模型.
- 用定性MRI衍生特征进行预测.
主要方法:
- 分析了55名患有128个ccRCC瘤的VHL患者队列.
- 瘤根据每年0.5厘米的值被分为"缓慢生长"或"快速生长".
- 两种机器学习算法 (堆叠组合和决策树) 被训练在放射科医生评估的MRI特征上.
主要成果:
- 堆叠组合模型的准确度为0.77 ± 0.05,而决策树模型的准确度为0.71 ± 0.06.
- 最好的堆叠模型显示了0.92的正预测值 (PPV),0.91的灵敏度和0.90.90的F1得分.
- 这些结果表明ccRCC增长率的强有力的预测性能.
结论:
- 机器学习分析显示,确定VHL患者瘤生长率具有前途.
- 这些模型可以作为个性化查和后续策略的辅助工具.
- 这种方法支持在VHL人群中个性化管理ccRCC.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
