机器学习应用于手术前基于计算机断层扫描的放射性特征可以准确地区分子宫白细胞瘤和白细胞瘤:试点研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 在手术前,精确地区分子宫乳腺髓瘤 (恶性) 和乳腺髓瘤 (良性) 是一个挑战.
• 目前的诊断依赖于手术后的病理检查.
• 这种局限性可能会导致不理想的治疗策略.

研究的目的:

• 开发和评估一种机器学习 (ML) 算法,用于在手术前对子宫雷奥米奥萨科马和雷奥米奥马进行歧视.
• 利用从对比增强计算机断层扫描 (CECT) 图像中提取的放射性特征.

主要方法:

• 使用PyRadiomics从30例leiomyosarcoma和35例leiomyoma的CECT图像中提取了放射性特征.
• 训练和测试了多个ML模型 (GLM,RF,SVM) 并使用特征选择.
• 放射科医生的诊断绩效作为基准进行了比较.

主要成果:

• 几种ML模型实现了高性能,曲线下的面积 (AUC) 从0.78到0.97.
• 模型的灵敏度和特异性也显著高 (分别为0.78-1.00和0.67-0.93).
• ML模型的性能超过了放射科医生,无论有没有临床数据.

结论:

• 基于CECT的放射学具有显著的潜力,可以区分子宫乳腺瘤和乳腺瘤.
• 这种人工智能驱动的方法可以帮助进行手术规划,有可能防止恶性瘤的传播,并为良性病变提供节育治疗.