基于美国的不同机器学习模型的放射学分析,用于区分良性和恶性BI-RADS 4A乳腺病变
Jieyi Ye1, Yinting Chen1, Jiawei Pan2
1Division of Interventional Ultrasound, Department of Medical Ultrasonics, Foshan First People's Hospital, 81 Lingnan North Road, Foshan 528000, Guangdong, China (J.Y., Y.C., Y.Q., Z.L., Y.X., Y.H., W.H.).
Academic radiology
|August 27, 2024
概括
这项研究开发了先进的放射学模型,以准确区分良性与恶性BI-RADS 4A乳腺病变. 综合放射性和临床数据的组合模型显示出优异的性能,有助于临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 区分良性和恶性BI-RADS 4A乳腺病变对于适当的患者管理至关重要.
- 目前的诊断方法可能有局限性,需要改进的非侵入性技术.
研究的目的:
- 评估各种放射学模型在 BI-RADS 4A 病变分类方面的有效性.
- 开发和验证一个结合的放射学和临床模型,以提高诊断准确度.
主要方法:
- 从936名BI-RADS 4A病变患者的超声波图像中提取了放射性特征.
- 用多个机器学习算法 (LR,SVM,RF,XGBoost,MLP) 来构建放射学和组合模型.
- 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
主要成果:
- 放射性模型获得了良好的性能 (AUC 0.805-0.945).
- 基于后勤回归的组合模型显示出最高的性能 (AUC 0.909培训,0.905测试),表现优于放射科医生.
- 决策曲线分析证实了组合模型的优越临床疗效.
结论:
- 一个结合的放射学和临床模型有效地区分良性和恶性BI-RADS 4A病变.
- 这种方法提供了一种非侵入性和有效的工具,用于支持乳腺损伤评估中的临床决策.
