基于CT的不同机器学习模型的放射学分析,以区分鼻膜纤维性发育不良和骨化纤维瘤
Ao-Bo Zhang1,2, Jun-Ru Zhao2,3, Shuo Wang4
1Department of Oral Pathology, Peking University School and Hospital of Stomatology & National Center of Stomatology & National Clinical Research Center for Oral Diseases & National Engineering Research Center of Oral Biomaterials and Digital Medical Devices, Beijing, China.
Oral diseases
|May 30, 2024
概括
这项研究开发了一种放射性模型,以区分纤维发育不良 (FD) 和骨化纤维瘤 (OF). 结合的放射学和临床模型实现了高准确度,有助于非侵入性手术前诊断.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
背景情况:
- 在手术前区分鼻膜纤维发育不良 (FD) 和骨化纤维瘤 (OF) 是一个挑战.
- 准确的区分对于适当的治疗计划和患者管理至关重要.
研究的目的:
- 开发和验证用于使用非增强CT图像区分FD和OF的放射性模型.
- 评估这些模型的诊断性能和临床实用性.
主要方法:
- 包括220名已确认FD或OF的患者.
- 从CT扫描中提取放射性特征,然后进行尺寸缩小和特征选择.
- 使用ROC分析构建和评估了多种机器学习模型 (逻辑回归,SVM,随机森林,LGBM,XGBoost). 开发了一种结合了放射性和临床数据的综合模型.
主要成果:
- 1834个放射性特征被减少到8个关键特征,实现了高预测效率 (AUC>0.95).
- 综合放射学和临床数据的组合模型显示出优异的区分能力 (训练AUC:0.970,测试AUC:0.967).
- 决策曲线分析证实了开发模型的最佳临床疗效和稳定性.
结论:
- 开发的组合模型有效地区分了FD和OF.
- 这种放射性方法为手术前临床决策提供了一个非侵入性和高效的工具.


