不同机器学习模型的综合放射学名图,用于在手术前区分脊髓内瘤和脑膜瘤:一个多中心和比较研究

科学领域:

• 神经外科 神经外科
• 放射学 放射学是一门学科.
• 在瘤学瘤学.

背景情况:

• 脊内瘤和脑膜瘤是常见的原发性瘤.
• 准确的手术前分化对于治疗计划和患者的治疗结果至关重要.
• 区分这些瘤可能是一个挑战,仅基于传统的成像.

研究的目的:

• 开发和验证一种新的组合模型,以区分脊髓内脊髓瘤和脑膜瘤.
• 将多参数磁共振成像 (MRI) 放射学与临床特征集成.
• 评估模型的诊断性能和临床实用性.

主要方法:

• 分析了手术前的MRI和来自三所医院的209名患者的临床数据.
• 使用训练队列 (n=111) 构建一个名ogram.
• 在测试 (n=48) 和独立验证 (n=50) 队列中对名录的内部和外部验证.
• 使用ROC曲线 (AUC),DCA和校准曲线进行性能评估.

主要成果:

• 综合名图显著优于仅放射学和仅临床模型.
• 获得的高AUC值:0.994 (训练),0.962 (测试) 和0.949 (外部验证).
• 决策曲线分析表明,名图提供了最佳的净收益;校准曲线显示了良好的一致性.

结论:

• 综合临床和放射性特征的诺米图是一种强大的工具,用于区分脊髓内神经瘤和脑膜瘤.
• 这种模型对于决策和预测预后具有重要的临床价值.
• 进一步的研究可以探索其在各种临床环境中的应用.