用基于MRI的放射学来表征质:在前性试点研究中评估包间和观察者间的可重复性
Haitham Al-Mubarak1, Octavia Bane1,2, Nicolas Gillingham3
1BioMedical Engineering and Imaging Institute, Icahn School of Medicine at Mount Sinai, New York, NY, USA.
Abdominal radiology (New York)
|March 12, 2024
概括
来自对比后T1加权MRI的放射学特征显示,对于质的再生性比ADC更好. 这些发现改善了未来研究和诊断模型的设计,用于质量表征.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 机器学习在医学中的应用
背景情况:
- 使用MRI对质量 (RMs) 的放射学分析对表征有希望.
- 在不同软件包和观察者之间评估放射学特征的可重复性对于临床翻译至关重要.
- 了解特征变化对于开发可靠的机器学习 (ML) 模型来进行RM诊断至关重要.
研究的目的:
- 评估从质的各种MRI序列中得出的放射学特征的包间和观察者间可重复性.
- 开发和评估机器学习模型来区分细胞癌 (RCC) 和良性质,使用可重现的放射性特征.
主要方法:
- 32名RM患者接受了1.5TMRI,包括T2加权 (T2-WI),扩散加权 (DWI) /明显扩散系数 (ADC) 和T1加权前/后对比成像 (T1-WI).
- 两个独立观察者对RM进行了细分,并使用两个软件包提取了放射学特征,以评估包间和观察者间可重复性 (ICC).
- 机器学习模型使用可重现特征 (ICC > 0.8) 进行训练,以区分RCC与良性RM.
主要成果:
- 在对比后的T1加权成像 (T1-WI) 显示,在包和观察者之间,可重复的放射性特征 (良好/中等ICC) 的比例最高.
- 来自T2-WI和前对比T1-WI的特征表现出中度的可重现性,而ADC衍生的特征表现出不良的可重现性.
- 机器学习模型实现了0.71的曲线下的面积 (AUC) 来区分RCC与良性RMs.
结论:
- 与ADC相比,T1-WI对比后MRI的放射学特征提供了优越的包间和观察者间可重现性.
- 开发的ML模型在区分RCC和良性质中表现出相当的准确性.
- 复制性评估对于在质表征中推进放射学和提高诊断准确度至关重要.
