基于磁共振成像的预测模型,用于区分脊内神经瘤和脑膜瘤:分类和回归树和随机森林分析
Zhen Xu1, Yu-Hong Wang2, Ya-Lin Wang1
1Medical Imaging Center, First Affiliated Hospital of Jinan University, Guangzhou, China.
Quantitative imaging in medicine and surgery
|May 9, 2024
概括
机器学习模型可以从脑膜瘤区分脑脊内脑膜瘤. 随机森林 (RF) 模型在这个区别上表现优于放射学家和分类和回归树 (CART) 模型.
科学领域:
- 神经外科 神经外科
- 放射学 放射学是一门学科.
- 机器学习在医学中的应用
背景情况:
- 由于手术方法和预后不同,准确的术前区分脊内瘤和脑膜瘤至关重要.
- 应用机器学习 (ML) 来区分这些脊髓瘤的研究有限.
- 这项研究开发了ML模型,以区分神经瘤和脑膜瘤.
研究的目的:
- 建立和评估分类和回归树 (CART) 和随机森林 (RF) 模型,以区分脊髓内脊髓瘤和脑膜瘤.
- 将ML模型的诊断性能与经验丰富的放射科医生进行比较.
主要方法:
- 通过使用手术前MRI数据对88种神经瘤和51种脑膜瘤进行了回顾性分析.
- 包括临床数据和MRI特征,如瘤位置,大小,信号特征 (T1WI,T2WI),增强模式和特定迹象 (持续尾巴,银杏叶,IFW).
- 开发CART和RF模型,使用ROC曲线评估性能,精度,灵敏度,特异性,PPV和NPV.
主要成果:
- 在10/11 (训练) 和5/11 (测试) 变量中,在脑膜瘤和脑膜瘤之间观察到显著的差异 (P<0.05).
- 在CART模型中使用了五个变量;在RF模型中使用了全部11个变量.
- 射频模型在0.956 (培训) 和0.922 (测试) 的曲线下面积 (AUC) 达到最高,显著超过放射科医生 (AUC 0.681-0.723培训,0.580-0.659测试).
结论:
- 与经验丰富的放射科医生相比,随机森林 (RF) 模型在区分脊髓内脊髓瘤和脑膜瘤方面表现优异.
- 射频模型还显示出比分类和回归树 (CART) 模型更好的歧视能力.
- ML模型,特别是RF,显示了改善脊髓瘤手术前诊断的巨大潜力.
更多相关视频
06:44Modeling Brain Metastases Through Intracranial Injection and Magnetic Resonance Imaging
Published on: June 7, 2020
7.3K
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
