基于机器学习的名图,用于区分 supratentorial外腹腔内膜瘤和 supratentorial质母细胞瘤
Ling Chen1, Weijiao Chen1, Chuyun Tang2
1Department of Radiology, Liuzhou Worker's Hospital, Liuzhou, Guangxi, China.
Frontiers in oncology
|September 25, 2024
概括
一个机器学习的名图有效地区分 supratentorial外上瘤 (STEE) 和质母细胞瘤 (GBM). 这种人工智能工具有助于进行非侵入性诊断,改善对这些脑瘤的患者管理.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 机器学习在医学中的应用
背景情况:
- 脑上垂体外垂体膜瘤 (STEE) 和脑上垂体质母细胞瘤 (GBM) 是不同的脑瘤,需要精确的区分才能进行适当的治疗.
- 仅仅基于成像来区分STEE和GBM可能具有挑战性,需要先进的诊断工具.
研究的目的:
- 开发和验证基于机器学习的名录,用于STEE和GBM的非侵入性差异化.
- 确定预测瘤类型的关键临床和成像特征.
主要方法:
- 两所机构140名患者 (48名STEE,92名GBM) 的MRI数据的回顾性分析.
- 七个机器学习算法的比较,以确定最佳的放射性签名 (rad-score).
- 开发一个整合rad-score和通过后勤回归识别的显著临床预测因子的nomogram.
主要成果:
- 树包机算法在区分STEE和GBM方面表现出卓越的性能,在测试组中达到0.796的AUC.
- 开发的诺米图,包括rad-score和临床变量,显示出强大的预测准确性 (测试组中的0.832).
结论:
- 基于机器学习的名录是STEE和GBM之间的非侵入性歧视的一个有希望的工具.
- 这种方法可以帮助临床医生进行更准确的诊断,并为患有这些脑瘤的患者量身定制治疗策略.
