基于MRI的放射学模型的诊断性能,使用机器学习方法进行状瘤的三重分类
Junjie Guo1, Jiajun Feng1, Yuqian Huang2
1Department of Medical Imaging, Guangzhou First People's Hospital, School of Medicine, South China University of Technology, Guangzhou, 510030, Guangdong, China.
Heliyon
|September 12, 2024
概括
这项研究开发了一种使用机器学习的T2加权成像放射学模型,以准确分类腺瘤. 该模型在区分恶性瘤,多形腺瘤和其他良性瘤方面表现良好.
科学领域:
- 放射学 放射学是指放射学
- 医疗成像医学成像
- 机器学习在医学中的应用
背景情况:
- 术前对腺瘤的分化对于治疗计划至关重要.
- 恶性瘤 (MT),多形腺瘤 (PA) 和其他良性瘤需要不同的临床策略.
研究的目的:
- 开发和验证基于T2加权图像 (T2WI) 的放射学模型.
- 使用机器学习实现腺瘤的三重分类.
主要方法:
- 追溯分析147名患者的T2WI数据.
- 使用mRMR和XGBoost. 提取和选择放射学特征.
- 使用5倍交叉验证构建和验证放射学模型 (SVM,LR,KNN).
主要成果:
- 从1057.7中选择了8个关键的放射学特征.
- 放射学模型在训练集中实现了曲线下的平均面积 (AUC) 0.85 (LR),0.85 (SVM) 和0.83 (KNN).
- 验证组的AUC为0.80 (LR),0.80 (SVM) 和0.79 (KNN). 在该组中,AUC为0.80 (LR),0.80 (SVM) 和0.79 (KNN).
结论:
- 基于T2WI的放射学模型展示了有效的状腺瘤三重分类.
- 机器学习方法在手术前的瘤分化方面表现有前途.
- 开发的模型在区分MT,PA和其他良性瘤方面提供了良好的性能.
