基于超级微血管成像的可解释机器学习模型,用于非侵入性确定 IgAN 的新月状况
Yan Tang1, Xiaoling Liu1, Wang Zhou2
1Department of Ultrasound, Beijing Anzhen Hospital Nanchong Hospital, Nanchong Central Hospital, The Second Clinical Medical College, North Sichuan Medical College (University), Nan Chong, Sichuan, 637000, People's Republic of China.
Journal of inflammation research
|September 9, 2024
概括
使用卓越的微血管成像 (SMI) 放射学,一种新的机器学习模型可以准确预测IgA脏病 (IgAN) 的新月状状况. 这种非侵入性方法有助于IGAN患者的临床决策.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- IgA脏病 (IgAN) 是一种常见的淋巴细胞疾病.
- 评估半月状IGAN状态通常需要侵入性脏活检.
- 需要使用非侵入性方法来预测新月IGAN.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,使用卓越的微血管成像 (SMI) 放射学来非侵入性地评估新月IgAN.
- 将基于SMI的ML模型的性能与单模ML模型和临床模型进行比较.
主要方法:
- 总共有147名接受脏活检的IgA脏病患者被纳入.
- 在活检之前进行了二维超声波 (US) 和SMI检查.
- 从US和SMI图像中提取了放射性特征,以构建逻辑回归 (LR) 和极端梯度增强 (XGBoost) 模型.
- 用接收机操作特征 (ROC),校准和决策曲线分析 (DCA) 来评估模型性能.
主要成果:
- 基于US-SMI的XGBoost模型表现出强的性能,在训练组中曲线下的面积 (AUC) 为0.839,在测试组中为0.859.
- 该模型的准确度为78.6% (训练) 和81.8% (测试),超过单模ML和临床模型.
- 决策曲线分析表明,XGBoost模型在两个组中的净收益优越.
结论:
- 该SMI放射学ML模型准确预测IgA脏病的新月状况.
- 这种非侵入性方法可以帮助临床医生为Igan患者做出治疗决策.
- 优秀的微血管成像与机器学习相结合,显示出对IGAN评估的前景.
