基于CT放射学的机器学习模型,用于区分红色素瘤和低级红色素瘤

科学领域:

• 医学成像医学成像
• 放射学 放射学是一门学科.
• 机器学习在瘤学中

背景情况:

• 从放射学上区分异状腺瘤和低级异状腺瘤是具有挑战性的.
• 准确的区分对于适当的患者管理和治疗至关重要.
• 目前的成像模式可能在确定这些条件的区分方面存在局限性.

研究的目的:

• 开发和评估机器学习模型,以区分低级别的软骨肉瘤和形肉瘤.
• 为此诊断任务使用基于3D计算机断层扫描 (CT) 的放射学分析.
• 在这个分类中评估各种机器学习算法的性能.

主要方法:

• 追溯性研究包括30例体和26例体肉瘤病例.
• 由两个肌肉骨放射科医生进行手动瘤细分.
• 从3DCT扫描中提取了107个放射性特征.
• 使用信息获取来减少特征,识别前5个特征.
• 使用七个机器学习模型进行分类,其中包括所有功能和前5个功能.

主要成果:

• 在放射性特征提取方面,观察者之间达成良好至优异的共识.
• 纯粹的贝叶斯模型使用所有特征实现了0.950的曲线下的面积 (AUC).
• 随机森林模型使用前5个特征实现了0.967的最高AUC.
• 这两种方法都显示出高分类性能.

结论:

• 结合基于CT的放射学技术的机器学习模型显示,在区分低级别的软骨肉瘤和形肉瘤方面,有很大的潜力.
• 放射性分析可以提高诊断准确度,区分良性和低度恶性软骨瘤.
• 这种方法可以帮助临床医生做出更明智的治疗决策.