基于机器学习的放射学模型准确地预测了与克罗恩病相关的直肠癌
Yuki Horio1, Jota Ikeda2, Kentaro Matsumoto3
1Department of Gastroenterological Surgery, Hyogo Medical University, Nishinomiya, Hyogo 663-8501, Japan.
Oncology letters
|July 22, 2024
概括
研究人员开发了一种机器学习模型,使用MRI放射学来预测与克罗恩病 (CD) 相关的直肠癌. 这种工具可以准确地识别癌症病变,从而有可能改善早期诊断和CD患者的治疗结果.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 诊断与克罗恩病 (CD) 相关的直肠癌是具有挑战性的,由于手术治疗的困难,往往导致晚期检测和预后不佳.
- 缺少CD相关癌症的预测模型,突出了改善诊断工具的急需.
研究的目的:
- 开发和验证一种可解释的预测模型,用于在克罗恩病患者中准确诊断癌症病变.
- 利用磁共振 (MR) 成像中的放射性特征来增强与CD相关的直肠癌的检测.
主要方法:
- 利用T2加权和对比度增强的T1加权MRI图像从28名癌症和40名非癌症患者使用,这些患者患有直肠CD病变.
- 使用PyRadiomics在用3D Slicer软件对病变进行细分后提取了放射性特征.
- 我们比较了六种机器学习模型,包括支持向量机,天真贝斯,随机森林,光梯度增强机,极端随机树和规范化的贪森林 (RGF).
- 采用了夏普利添加式解释 (SHAP) 来解释特征对模型预测的贡献.
主要成果:
- 使用T2加权图像特征的RGF模型以0.944的曲线下面积 (AUC),0.862的精度和0.830.83的回忆率实现了最高的性能.
- SHAP分析确定了与癌症诊断相关的关键放射性特征,包括复杂的病变纹理,像素分离,信号强度块分布和T2加权图像上的病变形状.
- 基于MRI放射学的RGF模型在预测CD相关的直肠癌方面表现出显著的有效性.
结论:
- 开发的基于MRI放射学的RGF模型在预测CD相关的直肠癌方面表现出色.
- 这些发现有可能对CD相关结直肠癌的诊断和监测策略产生重大影响.
- 该模型的可解释性有助于临床医生了解预测的基础.
