世界卫生组织/ISUP核分级诊断模型的多相比较研究,基于清细胞细胞癌的增强型CT图像
Chenyang Lu1, Yangyang Xia2, Jiamin Han1
1School of Control Science and Engineering, Shandong University, Jinan, 250100, People's Republic of China.
使用增强计算机断层扫描 (CT) 图像的机器学习分类器有效地区分清细胞细胞癌 (ccRCC) 的核等级. 查阶段 (NP) CT 图像显示了对分类低级和高级ccRCC的最高诊断准确度.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 清细胞细胞癌 (ccRCC) 的分级对于治疗决策至关重要.
- 在手术前区分低等级和高等级的ccRCC可能是具有挑战性的.
- 增强的计算机断层扫描 (CT) 图像提供了详细的解剖和功能信息.
研究的目的:
- 在增强型CT扫描中评估不同增强阶段的诊断性能,以区分低级和高级ccRCC.
- 为ccRCC核等级分类构建和比较机器学习分类器.
- 为了确定ccRCC分级中重要的关键放射性特征.
主要方法:
- 从78名病理证明的ccRCC患者的增强CT图像的回顾性分析.
- 使用递归特征消除交叉验证 (RFECV) 来从皮质骨髓相 (CMP),膜相 (NP) 和分泌相 (EP) 的CT图像中提取和选择放射性特征.
- 机器学习分类器的开发和比较,包括支持矢量机 (SVM),随机森林 (RF),XGBoost (XGB),VGG11,ResNet18和GoogLeNet.
主要成果:
- 使用查相 (NP) CT 图像的分类器在区分低级和高级ccRCC方面取得了最佳表现 (例如,RF:AUC=0.82±0.05,ResNet18:AUC=0.81±0.02在数据集1;XGB:AUC=0.95±0.02,ResNet18:AUC=0.87±0.07在数据集2).
- 基于排泄阶段 (EP) 的分类器表现较差.
- 放射性特征"firstorder_Kurtosis"和"firstorder_90Percentile"被确定为对分类至关重要的.
结论:
- 增强的CT成像,特别是查阶段 (NP),结合机器学习,提供了一个强大的方法来区分ccRCC核等级.
- 这项研究强调了放射学在非侵入性评估ccRCC瘤攻击性的潜力.
- 推基于NP的CT成像,以提高ccRCC分级的诊断准确度.
更多相关视频
09:28Patient-derived Orthotopic Xenograft Models for Human Urothelial Cell Carcinoma and Colorectal Cancer Tumor Growth and Spontaneous Metastasis
Published on: May 12, 2019
05:36Comparing Metastatic Clear Cell Renal Cell Carcinoma Model Established in Mouse Kidney and on Chicken Chorioallantoic Membrane
Published on: February 8, 2020
相关概念视频
Imaging Studies I: Kidney, Ureter, and Bladder Studies
Imaging Studies II: Ultrasonography
Imaging Studies III: Computed Tomography
Imaging Studies IV: Magnetic Resonance Imaging
Imaging Studies V: Intravenous Urography and Retrograde Pyelography
