基于超声波的放射学机器学习模型用于诊断非小细胞肺癌患者的宫淋巴结转移:一个多中心研究
Zhiqiang Deng1,2,3, Xiaoling Liu4, Renmei Wu5
1Department of Thoracic Surgery, West China Hospital, Sichuan University, Chengdu, China.
BMC cancer
|April 27, 2024
概括
使用超声波放射学和语义特征的机器学习模型可以在非小细胞肺癌 (NSCLC) 患者中准确诊断宫淋巴结转移 (LNM). 随机森林模型与语义和放射性特征相结合,实现了最高的诊断性能.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 宫淋巴结转移 (LNM) 是非小细胞肺癌 (NSCLC) 的关键预后指标.
- 准确诊断LNM对于有效的治疗计划和患者的结果至关重要.
研究的目的:
- 开发和验证用于诊断NSCLC患者宫LNM的机器学习模型.
- 评估使用超声波放射学和描述性语义特征的模型的性能.
主要方法:
- 对接受部超声波和淋巴结活检的NSCLC患者的回顾性研究.
- 从超声波图像中提取放射性特征,并选择描述性的语义特征.
- 开发和验证后勤回归 (LR) 和随机森林 (RF) 模型,通过AUC和准确性评估性能.
主要成果:
- 确定了三种语义特征 (长直径,形状,皮质骨髓边界) 和放射性特征.
- 综合语义与放射学模型的表现优于单独使用任何一个特征集的模型.
- 随机森林 (RF) 模型整合了语义和放射性特征,实现了最高的AUC 0.922.2.
结论:
- 集成到机器学习模型中的超声波辐射和语义特征显示出在NSCLC中诊断宫LNM的巨大潜力.
- 随机森林算法,特别是与语义和放射性特征相结合时,比传统的物流回归提供了更好的诊断准确性.
