基于计算机断层扫描的放射学与机器学习相结合,可以区分原发性肠道淋巴瘤和克罗恩病
Meng-Jun Xiao1, Yu-Teng Pan2, Jia-He Tan3
1Department of Radiology, Shandong Provincial Hospital Affiliated to Shandong First Medical University, Jinan 250021, Shandong Province, China.
World journal of gastroenterology
|July 15, 2024
概括
将原发性肠道淋巴瘤 (PIL) 与克罗恩病 (CD) 区分开来是一项挑战. 机器学习模型结合了来自计算机断层扫描的临床数据和放射学,有效地区分了PIL和CD.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
- 胃肠病学 胃肠病学
背景情况:
- 初级肠道淋巴瘤 (PIL) 和克罗恩病 (CD) 具有相似的临床和成像特征,使差异诊断复杂化.
- 准确的区分对于适当的患者管理和治疗策略至关重要.
研究的目的:
- 评估放射学与机器学习相结合的疗效,以区分PIL与CD.
- 开发一个强大的模型来区分这两个条件.
主要方法:
- 对比增强计算机断层扫描 (CECT) 和临床数据从120名患者 (中心1) 收集.
- 从CECT扫描中提取了944个放射性特征,并使用最少绝对收缩和选择操作员 (LASSO) 模型进行特征选择.
- 对54名患者 (中心2) 的数据进行了外部验证.
主要成果:
- 开发了五种机器学习模型,以区分PIL和CD.
- 大多数模型表现出高性能,曲线下面积 (AUC) > 0.850,精度 > 0.900.
- 一个结合的临床和放射学模型实现了完美的区分 (AUC = 1.000,精度 = 1.000).
结论:
- 机器学习,结合放射性特征和临床数据,提供了一种有效的方法来区分PIL和CD.
- 这种方法提供了一个有前途的工具,可以提高在具有挑战性的病例的诊断准确性.
