一种基于对比增强的计算机断层扫描的放射学诺米克图,用于在手术前区分良性和恶性囊性病变
Tianyi Yu1, Zirong Yan1, Zixiang Li1
1Department of Urology, The Affiliated Hospital of Xuzhou Medical University, Xuzhou, China.
Translational andrology and urology
|July 10, 2024
概括
使用临床数据和CT放射特征的机器学习模型能够准确地区分良性和恶性囊性病变 (CRLs). 综合放射学名图显示,CRL的诊断性能优越.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 传统的成像方法缺乏对囊性病变 (CRLs) 的歧视.
- 区分良性与恶性CRL对于适当的患者管理至关重要.
研究的目的:
- 评估机器学习模型来区分良性和恶性CRL.
- 评估临床数据和对比增强计算机断层扫描 (CECT) 放射学特征的价值.
主要方法:
- 分析了192名具有CRLs (波斯尼亚克类≥II) 的患者.
- 使用LightGBM算法从CECT图像中提取了放射学特征.
- 建立了临床,放射学和组合模型,包括放射学名图.
主要成果:
- 综合放射学名图实现了最高的诊断疗效,培训队列的AUC为0.989和验证队列的0.962.
- 最大直径和波斯尼亚克类被确定为恶性CRL的独立风险因素.
- 放射学模型在两个队列中都显示出高性能 (AUC > 0.95).
结论:
- 整合临床因素和放射学签名的放射学名录显著提高了CRL的诊断准确性.
- 这种方法可以帮助临床决策和个性化治疗策略的CRL患者.
