基于CT的传统放射学和内异质性的量化,用于预测良性和恶性病变
Shuanbao Yu1, Yang Yang2, Zeyuan Wang1
1Department of Urology, The First Affiliated Hospital of Zhengzhou University, Zhengzhou, China.
概括
一个新的机器学习模型使用CT扫描数据和临床因素准确地区分良性和恶性病变. 这种先进的工具优于放射科医生,可能减少不必要的活检和手术,以改善患者管理.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 病变的发病率越来越高,需要精确的治疗前分化.
- 区分良性和恶性病变对于最佳的患者管理至关重要.
- 目前的诊断方法可能具有侵入性或缺乏足够的准确性.
研究的目的:
- 开发和验证用于分类病变的机器学习模型.
- 整合放射性特征,内生态多样性和临床因素,以提高诊断性能.
- 为了比较模型的准确性与专家放射科医生的解释.
主要方法:
- 利用CT动脉相图像从1,795个病变确认病理.
- 从八个感兴趣区域 (ROI) 中提取了常规放射性特征.
- 导出了内生态多样性的特征,并将它们与临床因素结合起来,用于模型开发.
主要成果:
- 组合模型的曲线下面积 (AUC) 为0.946,显著超过放射科医生 (AUC=0.823).
- 在分类小病变方面表现特别强 (AUC=0.935与0.745).
- 该模型显示了高一致性和净益处,在特定子组中AUC达到0.978.
结论:
- 开发的机器学习模型有效地区分良性和恶性病变.
- 该模型在整体和小病变方面都超过了放射科医生的诊断性能.
- 这种方法有可能将侵入性手术降到最低,并改善病变管理中的临床决策.
