磁共振成像放射学和机器学习在软组织肉瘤分级的诊断价值:关于当前状态的小评论
Fabian Schmitz1, Sam Sedaghat1
1Department of Diagnostic and Interventional Radiology, University Hospital Heidelberg, Im Neuenheimer Feld 420, 69120 Heidelberg, Germany (F.S., S.S.).
Academic radiology
|September 11, 2024
概括
使用放射学,机器学习和MRI上的深度学习预测软组织肉瘤 (STS) 恶性瘤等级显示出有希望. 结合成像功能和先进模型,提高了准确性,有助于更好地诊断和规划治疗这些罕见的瘤.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是指放射学
- 人工智能的人工智能
背景情况:
- 软组织瘤 (STS) 是一种罕见的,异质的恶性瘤.
- 活检可能会低估由于瘤内异质性的瘤等级.
研究的目的:
- 通过放射学,机器学习和MRI上的深度学习,审查目前用于预测STS恶性瘤等级的方法.
- 评估各种人工智能驱动方法在提高诊断准确性的有效性.
主要方法:
- 分析使用机器学习和深度学习对T2加权,对比度增强T1加权和DWI/ADC映射MRI序列的研究.
- 将语义,放射学和深度学习功能集成到预测模型中.
- 使用诸如随机森林和支持矢量机器之类的分类器,通常使用LASSO和SMOTE技术.
主要成果:
- 机器学习和深度学习模型在预测STS恶性瘤等级方面显示出有希望的结果.
- 综合特征源 (语义,放射学,深度学习) 的表现优于单个来源.
- 结合来自瘤和周围瘤区域的特征可以提高预测性能.
- 随机森林和SVM等分类器实现了高AUC和精度.
结论:
- 放射学,机器学习和MRI上的深度学习是预测STS恶性瘤等级的宝贵工具.
- 综合方法和全面的特征选择提高了诊断准确度.
- 这些人工智能驱动的方法有可能克服生物检查在STS等级方面的局限性.


