可解读的放射性签名用于乳腺微化检测和分类
Francesco Prinzi1,2, Alessia Orlando3, Salvatore Gaglio4,5
1Department of Biomedicine, Neuroscience and Advanced Diagnostics (BiND), University of Palermo, Palermo, Italy. francesco.prinzi@unipa.it.
Journal of imaging informatics in medicine
|February 13, 2024
概括
这项研究引入了放射性签名,以准确区分健康的乳腺组织,良性微化和恶性微化与乳房影像. 开发的机器学习模型在分类这些条件方面显示出有希望的表现.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 乳腺微化在乳房影像中很常见,有些表明侵袭性瘤.
- 由于尺寸,形状和微妙差异的变化,准确诊断具有挑战性.
- 放射学提供了一种定量方法来提取成像特征,以提高诊断准确度.
研究的目的:
- 开发和验证放射性特征,以区分健康组织,良性和恶性乳腺微化.
- 评估机器学习模型在分类微化类型中的性能.
- 通过可解释的放射性特征来实现临床验证.
主要方法:
- 从健康,良性和恶性微化兴趣区域 (ROI) 的数据集中提取放射性特征.
- 选择不同的放射性特征进行检测 (健康与微化) 和分类 (良性与恶性).
- 机器学习模型 (SVM,随机森林,XGBoost) 的训练和评估,用于多类分类.
主要成果:
- 在检测和分类任务中确定了一个共享的放射性签名.
- XGBoost模型实现了高性能:AUC-ROC为0.830 (健康),0.856 (良性) 和0.876 (恶性).
- 关键特征如GLCM对比度,FO最小值和FO被认为是重要的和临床相关的.
结论:
- 建议的放射性签名有效地区分健康组织,良性和恶性乳腺微化.
- 机器学习模型,特别是XGBoost,显示出准确的微化分类的巨大潜力.
- 放射性特征的解释性促进了诊断标记的临床验证和理解.
