准确诊断:机器学习在识别恶性轨道瘤时使用多参数3TMRI
Emma O'Shaughnessy1, Lucile Senicourt, Natasha Mambour
1From the Department of Neuroradiology, Rothschild Foundation Hospital, Paris, France (E.O.S., J.S., L.D., A.L.); Department of Data Science, Rothschild Foundation Hospital, Paris, France (L.S.); and Department of Ophthalmology, Rothschild Foundation Hospital, Paris, France (N.M.).
Investigative radiology
|April 10, 2024
概括
使用多参数MRI的机器学习模型有效地区分恶性和良性轨道瘤. 一个精简的10个特征模型显示了高性能,表明用于轨道瘤诊断的临床实用性.
科学领域:
- 放射学 放射学是一门学科.
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 轨道瘤由于不同位置和组织病理学而带来诊断挑战.
- 影像技术的进步改善了诊断,但分类仍然很复杂.
- 人工智能 (AI) 整合在放射学和眼科方面表现有前途.
研究的目的:
- 评估机器学习 (ML) 模型在区分恶性和良性轨道瘤方面的性能.
- 为了利用多参数的3特斯拉 (3T) 磁共振成像 (MRI) 数据进行瘤分类.
主要方法:
- 对113名患有轨道质量的患者进行3TMRI的前性研究 (2015年12月 - 2021年5月).
- 多参数MRI包括动态对比增强 (DCE),扩散权重成像 (DWI),Intravoxel不连贯运动 (IVIM) 和形态序列.
- 使用具有重复嵌套交叉验证的随机森林分类器,分析了8种特征组合. 沙普利添加剂解释 (SHAP) 评估了特征的重要性.
主要成果:
- 最全面的模型 (46个特征) 实现了曲线下的面积 (AUC) 0.90.
- 一个精简的10个特征模型表现出强的性能,AUC为0.88.
- 关键特征包括定量IVIM,DCE,DWI,定性DWI和患者年龄.
结论:
- 整合多参数MRI (DCE,DWI,IVIM,形态) 的ML模型有效区分恶性和良性轨道瘤.
- 10个功能签名模型提供与综合模型相比较的高性能.
- 这种简化方法在轨道瘤诊断中的临床应用中可能更实用.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K