研究多模型成像机器学习,以区分早期肝细胞癌
Ya Ma1,2, Yue Gong1,2, QingTao Qiu2
1Department of Graduate, Shandong First Medical University, Shandong Academy of Medical Sciences, Jinan, China.
BMC cancer
|March 22, 2024
概括
CT和MRI图像的放射学分析与机器学习相结合,可以有效地区分肝细胞癌 (HCC) 和非HCC病变. 与放射学和临床数据模型相结合,与放射学单独相比,诊断准确度更高.
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:
- 初级肝癌,主要是肝细胞癌 (HCC),需要准确的诊断才能有效治疗患者.
- 先进的诊断工具对于将HCC与其他肝病变区分开来至关重要.
研究的目的:
- 评估多相CT和MRI放射学与机器学习相结合的诊断价值,以区分HCC与非HCC.
- 为了比较各种基于放射学的机器学习模型的有效性.
主要方法:
- 使用CT和MRI数据对211名患者 (97名HCC,124名非HCC) 的回顾性分析.
- 从损伤感兴趣区域 (ROI) 提取放射性特征.
- 开发和比较六个机器学习模型 (SVM,KNN,RF,XGBoost,LightGBM,MLP) 使用放射学和联合临床放射学数据.
主要成果:
- 在临床数据 (性别,肝硬化) 和成像特征 (增强模式,密度/信号) 中观察到HCC和非HCC组之间的显著差异 (P < 0.001).
- K-最近邻居 (KNN) 模型在仅使用放射学模型的模型中表现最好.
- 支持矢量机 (SVM) 模型在结合放射学和临床数据时获得了最高的准确性 (0.824),超过了仅使用放射学模型的性能.
结论:
- CT和MRI放射学,当与机器学习相结合时,为HCC和非HCC的差异诊断提供了一种有价值的方法.
- 结合放射学和临床数据模型的诊断性能优于仅使用放射学方法的诊断性能.
