在与放射科医生比较性能之前,使用MRI放射学上的机器学习来诊断状腺瘤:试点研究
Samy Ammari1,2, Arnaud Quillent3, Víctor Elvira4
1Biomaps, UMR1281 INSERM, CEA, CNRS, Université Paris-Saclay, 94805, Villejuif, France.
Journal of imaging informatics in medicine
|October 10, 2024
概括
使用MRI放射学的机器学习可以分类状腺瘤,提高初级放射科医生的诊断准确度,并可能减少对良性或恶性瘤的不必要手术.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 腺瘤,无论是良性还是恶性,都会给诊断带来挑战.
- 目前的MRI和活检等方法的准确性有限,往往需要手术来诊断.
研究的目的:
- 开发一种使用MRI特征的机器学习算法,用于自动化喉瘤分类.
- 将算法的性能与初级和高级放射科医生进行比较,以评估其临床实用性.
主要方法:
- 利用从134名患有瘤的患者的4个MRI序列中提取的放射性特征.
- 训练随机森林和后勤回归模型来预测基因病学亚型.
- 进行了一项临床实验,比较算法辅助诊断与放射科医生诊断.
主要成果:
- 随机森林模型为所有亚型 (AUC 0.838) 实现了0.720准确度,0.860特异性和0.720灵敏度.
- 对于良性与恶性歧视,算法达到0.760准确度和0.769AUC.
- 在使用拟议的模型时,初级放射科医生的诊断灵敏度和准确性提高了6%.
结论:
- 机器学习与放射学显示在分化膜瘤的承诺,可能减少诊断手术.
- 该算法可以帮助医生培训,并提高诊断准确性,特别是对于经验较少的放射科医生来说.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
06:44Modeling Brain Metastases Through Intracranial Injection and Magnetic Resonance Imaging
Published on: June 7, 2020
7.2K
