基于放射学特征的机器学习模型用于AO/OTA分类的骨盆骨折在骨盆X射线图

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 骨盆骨折可能会导致血管损伤和出血性休克.
• 盆腔放射是诊断的关键,AO / OTA分类系统评估不稳定性.
• 当前的诊断方法可能会从先进的计算方法中受益.

研究的目的:

• 开发基于放射学的机器学习算法,用于快速诊断骨盆骨折.
• 用放射学和机器学习来分类骨盆骨折的不稳定性.
• 评估各种特征选择和机器学习模型的性能.

主要方法:

• 使用了990名骨盆骨折的成年患者和200名对照者的骨盆前后放射图.
• 提取了93个放射性特征,包括第一阶,GLCM,GLRLM,GLSZM,NGTDM和GLDM.
• 应用递归特征消除 (RFE),顺序特征选择 (SFS),LASSO和Ridge用于特征选择,以及物流回归 (LR),支持矢量机 (SVM),随机森林 (RF),XGBoost (XGB),多层感知器 (MLP),K-最近邻居 (KNN) 和LightGBM (LGBM) 进行分类.

主要成果:

• 递归特征消除 (RFE) 方法与支持矢量机器 (SVM) 结合,显示出最高的性能,平均曲线下面积 (AUC) 为0.75±0.06.
• 功能重要性分析确定了关键的放射性特征,有助于骨折诊断和不稳定性分类.
• 基于放射学的机器学习模型,特别是SVM,显示出在分类正常的骨盆环和骨盆骨折方面的巨大潜力.

结论:

• 一个基于放射学的机器学习模型可以有效地帮助诊断和从X射线的骨盆骨折的不稳定性分类.
• 与RFE特征选择相结合,SVM分类器提供了一种有希望的方法来提高诊断准确性.
• 对特定的盆骨放射性特征进行进一步的研究是有必要的,以改进模型的功能.