关于超声波纹理分析数据的机器学习,用于表征唾液腺瘤:可行性研究
Li-Jen Liao1,2,3, Ping-Chia Cheng1, Feng-Tsan Chan4
1Department of Otolaryngology Head and Neck Surgery, Far Eastern Memorial Hospital, New Taipei 220053, Taiwan.
Diagnostics (Basel, Switzerland)
|August 29, 2024
概括
使用机器学习 (ML) 的超声波 (美国) 纹理分析显示了区分良性和恶性唾液腺瘤的前景. 关键灰色水平共发生矩阵 (GLCM) 功能可以准确区分瘤类型,帮助诊断.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 超声波 (US) 图像的定量纹理分析可能有助于唾液腺瘤差异诊断.
- 机器学习 (ML) 模型可以探索和验证用于瘤诊断的美国纹理特征的性能.
研究的目的:
- 调查美国纹理特征在区分良性与恶性唾液腺瘤的有用性.
- 使用这些纹理特征验证ML模型的性能.
主要方法:
- 灰色水平共发生矩阵 (GLCM) 纹理分析在122名患者的美国图像上进行.
- 通过t测试和ROC曲线分析确定了六个重要的GLCM特征.
- 在数据上训练和测试了五种ML模型 (kNN,天真贝叶斯,后勤回归,ANN,SVM).
主要成果:
- 六个GLCM纹理特征 (对比,反差运动,,不相似,反差,差异) 在良性和恶性瘤之间显著不同 (p <0.05).
- 纯粹贝叶斯模型的准确度最高,为94.3% (95% CI: 86.6-100%).
- 其他模型的准确性各不相同,物流回归率为72%,SVM为73.5%.
结论:
- 美国纹理分析与ML相结合,为唾液腺瘤的差异诊断提供了一个潜在的客观工具.
- 这种方法可以帮助区分良性和恶性唾液腺病变.
