基于内分支超声波的支载体机器模型,用于区分良性和恶性中枢骨和骨淋巴结

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 中和状淋巴结 (LNs) 需要准确诊断良性与恶性疾病.
• 胸内膜超声波 (EBUS) 是可视化这些LN的一个关键工具.
• 开发先进的诊断模型可以改善患者的治疗结果.

研究的目的:

• 使用EBUS创建一个超声波放射学机器学习模型.
• 为了提高对良性和恶性中枢和状LNS的诊断准确度.
• 建立一个可靠的EBUS-based radiomics模型用于临床应用.

主要方法:

• 对197名患者的临床和超声波数据的回顾性分析.
• 使用最少绝对收缩和选择操作员 (LASSO) 提取和选择放射学特征.
• 开发用于分类的支向量机 (SVM) 模型,使用接收器操作特征 (ROC) 曲线分析进行验证.

主要成果:

• 开发了一个具有13个选定的放射学特征的模型.
• 在训练组 (AUC 0.892) 和验证组 (AUC 0.906) 中,SVM模型显示出高的诊断效率.
• 该模型在区分LN类型方面取得了显著的准确性,灵敏性和特异性.

结论:

• 基于EBUS的放射学模型有效地区分了良性与恶性中枢和状LNs.
• 在临床环境中,SVM模型作为一种有价值的诊断辅助工具显示出相当大的前景.
• 这种方法提供了一种非侵入性方法,用于改进LN的表征.