机器学习分析在扩散曲解成像中用于歧视儿科后腔瘤:可重复性和准确性试点研究
Ioan Paul Voicu1, Francesco Dotta1,2, Antonio Napolitano3
1Oncological Neuroradiology and Advanced Diagnostics Unit, Bambino Gesù Children's Hospital, IRCCS, 00165 Rome, Italy.
Cancers
|July 27, 2024
概括
使用全瘤 (VOI) 细分的扩散皮质图像 (DKI) 准确区分儿科后瘤. 对DKI指标的机器学习分析实现了92.8%的准确性,改进了传统的兴趣区域 (ROI) 方法.
科学领域:
- 放射学和成像学 放射学和成像学
- 在瘤学瘤学.
- 儿科神经瘤学 儿科神经瘤学
背景情况:
- 儿科后腔瘤 (骨髓母细胞瘤,膜瘤,小细胞性星细胞瘤) 需要准确的区分治疗和预后.
- 扩散性皮质变异成像 (DKI) 之前还没有被用于区分这些儿科瘤.
- 基于整个瘤 (VOI) 的细分可能与兴趣区域 (ROI) 方法相比,为扩散测量提供了更好的重复性.
研究的目的:
- 将ROI和VOI细分方法之间的DKI衍生的扩散测量的可重复性进行比较.
- 评估DKI在分辨儿科后腔瘤亚型中的准确性.
- 用DKI指标评估机器学习算法的用于瘤分类的实用性.
主要方法:
- 对34名患有后腔瘤的儿科患者进行了回顾性分析,这些患者接受了手术前的DKI.
- 由两个神经放射学家使用ROI和VOI方法对瘤进行独立细分.
- 基于DKI指标的统计分析 (MANOVA,Bland-Altman图) 和随机森林机器学习分类,用于数据集平衡的SMOTE.
主要成果:
- 基于VOI的DKI测量显示,与基于ROI的测量相比,观察者之间的变化较低.
- DKI指标显著区分了瘤亚型 (Pillai的痕迹:p < 0.001).
- 机器学习分类在平衡数据集上预测瘤组织学时达到0.928的准确性.
结论:
- 基于VOI的DKI测量为分析儿科后瘤提供了更好的可重复性.
- 使用DKI指标的机器学习算法对于准确区分这些瘤类型是有效的.
- DKI与ML相结合,代表了一种有希望的非侵入性工具,用于儿科PF瘤分类.
