基于CT的放射学研究,以使用不同的机器学习模型来区分色细胞瘤的风险分层:一项多中心研究

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:

• 乳红细胞瘤诊断和风险分层对于患者管理至关重要.
• 准确的手术前风险评估有助于手术规划和患者的结果.

研究的目的:

• 为了评估机器学习模型,用于手术前风险分层 pheochromocytoma.
• 开发和验证使用放射学和临床特征的组合模型.

主要方法:

• 从155名表红细胞瘤患者的CT图像中提取了放射性特征.
• 后勤回归,额外的树木和K-最近邻居模型被开发出来.
• 创建并使用ROC和DCA评估了整合放射学和临床特征的组合模型.

主要成果:

• 从3591个提取的特征中确定了13个有价值的放射性特征.
• 物流回归放射学模型显示了高的预测效率 (AUC 0.877训练,0.857测试).
• 组合模型实现了最佳的区分能力 (AUC 0.887训练,0.874测试) 和临床疗效.

结论:

• 结合放射学和临床特征的综合模型对染细胞瘤风险分层非常有效.
• 这种非侵入性的方法为临床决策提供了有价值的工具.