一个可扩展的基于放射学和自然语言处理的机器学习管道,以区分疼痛和无痛的胸脊骨转移:回顾性算法开发和验证研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 客观的疼痛生物标志物对于理解癌症疼痛预后和管理至关重要.
• 人工智能 (AI) 可以识别骨转移 (BM) 患者的疼痛生物标志物.

研究的目的:

• 使用自然语言处理 (NLP) 和放射学开发和评估可扩展的AI管道.
• 使用成像特征在CT图像中区分疼痛和无痛的BM病变.

主要方法:

• 追溯研究176名患有胸脊椎骨质瘤的患者.
• 从临床笔记中,NLP从临床笔记中提取了医生报告的疼痛评分.
• 从基于CT的感兴趣区域 (ROI) 中提取的放射学特征.
• 机器学习模型使用标准性能指标进行评估.

主要成果:

• 神经网络分类器在测试组中实现了接收器运行特征曲线下的面积为0.83.
• 最好的模型显示了82%的准确性和85%的特异性.
• 管道成功地将痛苦的BM病变与无痛的BM病变区分开来.

结论:

• 开发的NLP和放射学管道有效地区分了痛苦的不疼痛的BM病变.
• 该方法是可扩展的,利用NLP进行疼痛评分和CT成像进行BM识别.