在3D放射学中融合不同的决策规则,以协助诊断肺腺癌
He Ren1,2, Qiubo Wang1, Zhengguang Xiao3
1Respiratory Department, Zhoupu Hospital, Shanghai University of Medicine and Health Sciences, Shanghai, China.
Journal of imaging informatics in medicine
|April 2, 2024
概括
一个新的可解释的诊断模型使用3D放射和临床数据准确地确定肺腺癌的亚型. 这种基于规则的方法可以提高肺腺癌的诊断准确度,帮助临床决策.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肺腺癌需要准确的亚型才能有效治疗.
- 现有的诊断模型可能缺乏可解释性或最佳性能.
研究的目的:
- 开发一个可解释的,基于规则的肺腺癌亚型的诊断模型.
- 整合3D放射性特征和临床数据,以提高诊断准确度.
主要方法:
- 从1600个3D放射性特征和11个放射性特征中进行特征选择.
- 集体学习 (梯度提升,随机森林,AdaBoost) 来提取各种决策规则.
- 规则Fit和SHAP用于规则融合,排名和选择,以建立基于规则的模型.
主要成果:
- 基于规则的模型实现了高AUC值 (0.9621培训,0.9529测试,0.8953验证).
- 超越性能的模型仅依赖于选定的特征和以前的研究模型.
- 与单个合奏模型相比,表现出优越的性能.
结论:
- 开发的基于规则的诊断模型为肺腺癌亚型化提供了卓越的准确性和可解释性.
- 整合多样化的决策规则提高了临床效用,并支持医疗保健专业人员.
- 这种方法弥合了复杂的预测模型和实际临床应用之间的差距.
