基于MRI的多参数可解释放射学机器学习模型在儿童中区分了髓母细胞瘤和脑膜瘤:一项两中心研究
Yasen Yimit1, Parhat Yasin2, Abudouresuli Tuersun1
1Department of Radiology, The First People's Hospital of Kashi (Kashgar) Prefecture, Xinjiang, China, 844000; Xinjiang Key Laboratory of Artificial Intelligence assisted Imaging Diagnosis, Kashi (Kashgar), China, 844000.
Academic radiology
|March 20, 2024
概括
在多参数MRI上的放射学和机器学习可以区分儿科髓母细胞瘤 (MB) 和脑膜瘤 (EM). 这种利用XGBoost的方法在区分这些具有挑战性的脑瘤方面显著优于人类专家诊断.
科学领域:
- 儿科神经瘤学 儿童神经瘤学
- 医学成像分析分析 医学成像分析
- 医学中的人工智能.
背景情况:
- 骨髓母细胞瘤 (MB) 和脑膜瘤 (EM) 是常见的儿科脑瘤,临床表现重叠.
- 准确区分MB和EM对于适当的治疗和预后至关重要.
- 当前的诊断方法在仅仅基于临床表现来区分这些瘤类型时面临挑战.
研究的目的:
- 评估放射学和机器学习 (ML) 在多参数MRI上的有效性,以区分儿科MB和EM.
- 使用外部数据集验证开发的ML模型的诊断性能.
- 将ML模型的诊断准确性与人类专家神经放射学家进行比较.
主要方法:
- 分析了来自两个中心的135名儿科患者的多参数MRI数据 (T2WI,CE-T1WI).
- 经验丰富的神经放射学家手动划分感兴趣区域 (VOI).
- 特性提取,使用LASSO进行选择,并使用SHAP进行显著性评估.
- 开发和比较五个ML分类器 (XGBoost,Bernoulli NB,LR,SVM,线性SVC) 的T1,T2和组合T1+T2模型.
- 在一个独立的癌症中心进行外部验证.
主要成果:
- XGBoost分类器获得了最高的性能,测试组的AUC为0.92,T1+T2组合模型的外部验证组为0.80.
- 在T1和T2模型中,XGBoost表现出卓越的性能,测试组的AUC分别为0.85和0.86.
- ML方法显著优于人类专家诊断 (AUC 0.66测试组,0.69外部验证).
结论:
- 多参数MRI与放射学和机器学习相结合,为区分儿科MB和EM提供了有效的工具.
- 开发的ML模型,特别是使用XGBoost,显示出高的诊断准确性和通用性.
- 这种由人工智能驱动的方法提供了一种有希望的客观方法,以帮助诊断具有挑战性的儿科脑瘤,超越传统的专家解释.
