基于T2加权成像的放射性临床机器学习模型,用于预测结直肠腺癌的分化

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 预测结肠直肠癌 (CRC) 不入侵的分化等级对于治疗至关重要.
• 之前没有任何研究使用MRI来预测CRC分化度.

研究的目的:

• 开发和验证机器学习模型,用于使用T2加权MRI图像 (T2WI) 预测CRC分化度.

主要方法:

• 对315名CRC患者的手术前MRI和临床数据进行了回顾性分析.
• 从T2WI提取的放射性特征,并使用LASSO回归进行选择.
• 多层感知子 (MLP) 算法用于构建放射性,临床和放射性-临床模型.

主要成果:

• 放射性临床模型在训练组中达到0.862的AUC,在验证组中达到0.761.
• 放射性临床模型显著优于临床和仅放射性模型.
• 决策曲线分析证实了放射性临床模型的临床实用性.

结论:

• 基于T2WI的机器学习模型可以在手术前有效预测CRC差异化等级.
• 这种工具可以帮助临床医生个性化治疗并改善患者的治疗结果.