在清细胞癌预测中,机器学习启用了Fuhrman等级,使用二维超声波图像进行预测
Youchang Yang1, Ziyi Yuan2, Qingguo Ren1
1Department of Radiology, Qingdao Medical and Industrial Cross Key Laboratory, Qilu Hospital (Qingdao), Cheeloo College of Medicine, Shandong University, Qingdao, Shandong, China.
Ultrasound in medicine & biology
|September 24, 2024
概括
这项研究开发了一种使用超声波 (美国) 图像的预测模型,以准确评估清细胞细胞癌 (CCRCC) 中的Fuhrman级. 组合模型的准确性很高,为CCRCC的分级提供了一种具有成本效益的方法.
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:
- 准确的福曼分类对于清细胞细胞癌 (CCRCC) 管理至关重要.
- 目前的分级方法可能缺乏可访问性或成本效益.
研究的目的:
- 开发和验证使用超声波 (美国) 图像在CCRCC中用于Fuhrman分级的预测模型.
- 评估Fuhrman等级预测的联合临床和放射学模型的性能.
主要方法:
- 对235名CCRCC患者的美国图像和临床数据进行了回顾性分析.
- 使用PyRadiomics软件提取放射学特征.
- 构建和验证后勤回归模型 (临床,放射学,组合).
主要成果:
- 组合模型的AUC为0.871 (培训),0.785 (内部验证) 和0.826 (外部验证).
- 组合模型的性能优于仅基于临床或成像数据的模型.
- 通过校准曲线和DCA证明了优异的一致性和实质性的临床效用.
结论:
- 基于超声波的放射学能够在CCRCC中实现客观的Fuhrman分级.
- 将临床指标与美国放射学相结合,提高了预测准确度.
- 这种方法为CCRCC分级提供了一个具有成本效益和可访问性的替代方案.
