基于放射学的机器学习模型来区分宫癌的病理亚型:一个多中心研究
Huiling Liu1,2, Mi Lao3, Yalin Zhang1
1Department of Radiation Oncology, The Third Affiliated Teaching Hospital of Xinjiang Medical University, Affiliated Cancer Hospital, Urumuqi, China.
Frontiers in oncology
|October 2, 2024
概括
-18-氧糖 (18F-FDG) 定子发射断层扫描 (PET) /计算机断层扫描 (CT) 放射学机器学习 (ML) 可以有效地区分宫癌亚型. 这种非侵入性方法对诊断和管理局部先进的宫癌具有前途.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 宫癌的诊断依赖于侵入性方法.
- 区分宫腺癌 (AC) 和状细胞癌 (SCC) 对于治疗计划至关重要.
- 需要新的非侵入性诊断工具来改善患者管理.
研究的目的:
- 评估F-FDG PET/CT基于放射学的ML模型的诊断性能.
- 为了分类宫腺癌 (AC) 和状细胞癌 (SCC).
- 评估放射学作为一种非侵入性诊断方法的潜力.
主要方法:
- 预治疗后期收集的F-FDG PET/CT数据来自227名患有局部晚期宫癌的患者.
- 使用皮尔森相关性和最小绝对收缩和选择操作员回归的放射学特征的提取和选择.
- 应用六个ML算法,选择光GBM算法为表现最佳的模型.
- 使用精度,灵敏度,特异性和AUC验证模型性能,并使用DeLong测试进行比较.
主要成果:
- 基于光GBM的PET放射学模型在内部验证队列中实现了高精度 (0.915) 和AUC (0.851).
- 佩特放射学模型显著优于CT放射学模型 (精度:0.661;AUC:0.513).
- 在外部验证队列中,PET放射学模型表现出良好的歧视 (AUC = 0.730).
结论:
- 基于光GBM的PET放射学模型显示了预测局部晚期宫癌组织学亚型的显著潜力.
- 这种方法为诊断和治疗宫癌提供了一种有前途的非侵入性方法.
- 进一步的研究可以探索将放射学整合到宫癌的临床决策中.
关键词:
这就是为什么ACACACACACACACAC在这里,PET是PET.在SCC中,SCC是SCC,SCC是SCC.腺癌瘤是一种腺癌.局部晚期的宫癌.定子发射断层扫描 (PET).无线电学 (radiomics) 是一种无线电学.状细胞癌的癌症.更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
