相关实验视频
Updated: Jun 15, 2025
07:37
Translational Orthotopic Models of Glioblastoma Multiforme
Published on: February 17, 2023
2.7K
在质脑瘤中放射性特征的可复制性
Gleb Danilov1, Alexander Shevchenko2, Ramin Afandiev2
1Laboratory of Biomedical Informatics and Artificial Intelligence, National Medical Research Center for Neurosurgery named after N.N. Burdenko, Moscow, Russian Federation.
Studies in health technology and informatics
|August 23, 2024
概括
这项研究表明,机器学习 (ML) 模型用于从MRI分类质瘤是可复制的,当使用一致的特征选择跨不同的兴趣体积 (VOI). 然而,放射性特征本身显示出有限的可重现性.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 数据科学数据科学数据科学
背景情况:
- 磁共振成像 (MRI) 对于诊断脑瘤至关重要.
- 放射学和机器学习 (ML) 为瘤分类提供了先进的工具.
- 标准化分析是神经瘤学可靠结果的关键.
研究的目的:
- 评估放射学和ML方法对分类质瘤的可复制性.
- 调查改变兴趣体积 (VOI) 位置对分类准确性和特征可重现性的影响.
- 评估ML模型性能和放射性特征在不同VOI中的一致性.
主要方法:
- 用MRI,标准化VOI,放射学和ML将质瘤分为四种组织学类型.
- 当VOI位置被改变时,ML结果和放射性特征可重现性的比较.
- 对85例质瘤病例的数据集进行分析.
主要成果:
- 当在不同的VOI应用相同的特征选择方法时,可以实现ML分类结果的高可重复性.
- 放射性特征及其相关集合在各种VOI中显示出有限的可重现性.
- 85个病例的样本规模不足以确保随着VOI的变化而改变特征的可重复性.
结论:
- 使用MRI进行基于ML的质瘤分类在一致的特征选择下是可行的和可重复的,即使有不同的VOI.
- 在不同VOI中放射性特征的固有变异性需要在研究设计和解释中仔细考虑.
- 未来的研究应该专注于改进放射性特征稳定性的方法,以便进行更强大的质瘤分析.
