基于多模式机器学习的管道癌在现场预测从乳腺纤维素瘤
Yan Jiang1, Yuanyuan Peng1, Yingyi Wu1
1Department of Ultrasound, Ningbo Medical Centre Lihuili Hospital, Ningbo, Zhejiang, People's Republic of China.
Cancer management and research
|July 24, 2024
概括
一个新的联合临床放射学模型准确地区分了管道癌 in situ (DCIS) 和乳腺纤维化. 这种多模式的方法整合了临床数据和成像功能,以改善乳腺癌诊断.
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:
- 从良性乳腺纤维化中区分导管癌 in situ (DCIS) 对适当的患者管理至关重要.
- 准确的区分可以防止对良性病的不必要的侵入性手术,并确保对恶性病的及时治疗.
研究的目的:
- 开发和验证一种多模式机器学习模型,以区分DCIS与乳腺纤维化.
- 为了比较联合临床-放射学模型与独立的临床-超声波和放射学模型的诊断性能.
主要方法:
- 对306名患者 (198名DCIS患者) 的临床因素,超声波特征和图像进行了回顾性分析.
- 使用后勤回归的临床超声模型和使用六种机器学习算法的放射学模型的开发.
- 将选定的临床预测因子和放射学特征 (Radscore) 整合到联合临床-放射学模型中.
主要成果:
- 逻辑回归模型被选为放射学组件.
- 与其他两种模型相比,联合的临床放射学模型在区分DCIS和乳腺纤维化症方面表现优异.
- 接收器操作特征曲线分析证实了组合模型的增强预测能力.
结论:
- 综合临床放射学模型显示了提高DCIS检测准确性的巨大潜力.
- 这种方法可以通过迅速,有针对性的干预来促进更早的诊断和更好的患者结果.
- 多模式机器学习为提高乳腺成像诊断能力提供了一个有希望的途径.
