机器学习模型的比较,使用扩散权重图像来确定肝脏内形成质量胆管癌的病理级别

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:

• 肝脏内形成质量胆管癌 (IMCC) 是一种具有挑战性的肝脏恶性瘤.
• 准确的手术前病理分类对于治疗规划至关重要.
• 扩散加权成像 (DWI) 提供了对组织微观结构性质的洞察.

研究的目的:

• 开发和评估DWI放射性模型,用于预测IMCC病理等级.
• 为了比较不同机器学习算法对此任务的性能.
• 确定用于非侵入性手术前分级的最佳放射学模型.

主要方法:

• 从77名IMCC患者的DWI数据的回顾性分析.
• 开发了四种放射性模型:随机森林 (RF),支持向量机器 (SVM),后勤回归 (LR) 和梯度增强决策树 (GBDT).
• 外部验证使用其他20名IMCC患者的DWI数据.

主要成果:

• 选择了9个放射性特征,其中斜度,glcm-lmc1和kurtosis与病理等级有显著的相关性.
• 在训练 (AUC 0.957) 和外部验证 (AUC 0.829) 两组中,SVM放射性模型实现了最高的诊断性能.
• SVM模型性能指标包括高精度,灵敏度,精度和F1分数.

结论:

• 基于DWI的放射性模型在预测IMCC病理等级方面是有效的.
• 与其他模型相比,SVM分类器显示出更高的预测效率和稳定性.
• 开发的基于SVM的放射性模型显示了IMCC作为非侵入性手术前预测工具的潜力.