使用超声波纹理特征融合和机器学习诊断胎盘增殖谱
Dylan Young1, Naimul Khan2, Sebastian R Hobson3
1Department of Electrical, Computer and Biomedical Engineering, Toronto Metropolitan University, Toronto, Canada; Institute for Biomedical Engineering, Science and Technology (iBEST) at Toronto Metropolitan University, Canada; St. Michael's Hospital, Toronto, Canada & Keenan Research Centre for Biomedical Science, St. Michael's Hospital, Canada.
Computers in biology and medicine
|June 15, 2024
概括
使用超声波纹理特征的机器学习模型改善了胎盘增殖谱 (PAS) 检测. 这些新型工具提供了准确的,非侵入性的产前诊断,帮助临床管理和减少干预.
科学领域:
- 产科和妇科 产科和妇科
- 医疗成像医学成像
- 医疗保健中的机器学习
背景情况:
- 胎盘增生谱 (PAS) 是一种严重的产科并发症,以异常的胎盘粘附为特征.
- 产后血症经常导致危及生命的产后出血,并且在产前经常被诊断不足.
- 准确的产前诊断对于有效的管理和改善患者结果至关重要.
研究的目的:
- 开发和评估机器学习模型,用于精确地分类胎盘增殖谱 (PAS).
- 用超声波纹理特征来提高PAS产前诊断的准确性.
- 为临床决策支持提供非侵入性和计算效率高的工具.
主要方法:
- 开发了两种模型:一种是使用机器学习与超声波纹理特征,另一种是使用带有加权z-score特征的线性分类器.
- 功能选择结合了经典机器学习和统计方法.
- 量化图像特征被用于透明的分类模型.
主要成果:
- 机器学习模型实现了92%的测试准确率和83.0%的5倍交叉验证准确率.
- 线性分类器模型实现了87%的测试精度和88.7%的5倍交叉验证精度.
- 与传统机器学习方法相比,这两种模型都表现出优异的性能.
结论:
- 提出的模型是有效,实用和强大的工具,用于增强产前PAS检测.
- 这些非侵入性诊断工具可以帮助临床医生规划交付管理策略.
- 早期和准确的PAS诊断可以减少不必要的干预,并改善患者护理.
