基于-18氧葡萄糖 (F-FDG) 阳离子发射断层扫描/计算机断层扫描 (PET/CT) 图像使用机器学习的混中枢淋巴结转移的预测
Siqin Dong1, Ao Fu2, Jiacheng Liu3
1Jiangsu Key Laboratory of Molecular and Functional Imaging, Medical School, Southeast University, Nanjing, China.
Quantitative imaging in medicine and surgery
|July 18, 2024
概括
机器学习使用放射性特征准确评估中淋巴结 (LN) 状态. 梯度增强决策树逻辑回归 (GBDT-LR) 模型的表现优于医生和深度学习,以改善患者管理.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在瘤学中
- 无线电学和深度学习
背景情况:
- 准确评估中枢淋巴结 (LN) 状态对于患者的管理和预后至关重要.
- 在临床实践中,令人困惑的中直肠神经元带来了诊断挑战.
- 阳位子辐射断层扫描/计算机断层扫描 (PET/CT) 是一个关键的成像模式.
研究的目的:
- 开发和评估机器学习模型,以使用PET/CT评估中直肠状况.
- 将机器学习模型的性能与核医学医生的诊断进行比较.
- 为此诊断任务确定最有效的机器学习方法.
主要方法:
- 从3个中心的320名患者的509个中直肠LNs的回顾性分析.
- 开发PET/CT参数,放射学和深度学习模型.
- 使用培训,内部验证和外部验证队伍进行验证.
- 模型性能与医生诊断的比较,使用AUC,灵敏度,特异性和DCA.
主要成果:
- 包含放射性特征的梯度增强决策树逻辑回归 (GBDT-LR) 模型实现了高AUC (92.2%整体).
- GBDT-LR模型显著超过了深度学习,参数PET/CT模型和医生诊断.
- 决策曲线分析 (DCA) 证实了GBDT-LR模型的临床实用性.
结论:
- GBDT-LR 模型在验证集中评估混的中直肠瘤方面表现出强的表现.
- 这种基于放射学的方法有效地利用了放射性特征,并避免了过度装配.
- GBDT-LR模型提供了一个有前途的工具,可以提高中线状况评估的准确性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
