通过基于CT的放射学和深度学习来识别计算性肌

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 泌尿器科 泌尿器科 泌尿器科 泌尿器科

背景情况:

• 结算性肌痛性需要紧急检测,以有效地进行手术规划,并预防严重的并发症.
• 准确识别患有结石性肌痛性的患者对于及时干预至关重要.

研究的目的:

• 评估基于计算机断层扫描 (CT) 的放射学和三维卷积神经网络 (3D-CNN) 模型,用于识别计算性肌.
• 开发和评估一个全面的临床机器学习模型,将放射学与独立的临床因素整合在一起.

主要方法:

• 分析了一组182名患者,这些患者接受了性水缩或肌缩的手术.
• 从CT图像中提取放射性特征,使用最少绝对收缩和选择操作员 (LASSO) 方法.
• 开发了一个3D-CNN模型,并将其性能与放射学和CT衰减值 (HU) 进行了比较.
• 通过将表现最好的ML模型与独立的临床风险因素 (发烧,血液中性粒细胞,尿液白细胞) 结合起来,构建了一个临床机器学习模型.
• 用接收器操作特征 (ROC) 和决策曲线分析来评估模型性能.

主要成果:

• 与3D-CNN模型和HU测量相比,放射学模型显示出更高的性能,在测试队列中曲线下面积 (AUC) 更高 (0.876对0.599,0.578).
• 发烧,血液中性粒细胞和尿液白细胞被确定为pyonephrosis的独立危险因素.
• 综合临床机器学习模型在训练 (AUC 0.975与0.904) 和测试 (AUC 0.967与0.889) 队列中显著超过临床模型.

结论:

• 基于CT的放射学为非侵入性检测结石性皮онеrose提供了一个有前途的方法.
• 将放射学与临床因素集成到一个机器学习模型中,可以大大提高结算性肌病的诊断准确度.
• 这些先进的模型可以帮助进行手术规划,并通过允许更早,更精确的诊断来改善患者的治疗结果.