基于全球乳腺造影放射性特征的机器学习模型可以预测哪些正常的乳腺造影病例是放射学学学员发现最困难的
Somphone Siviengphanom1, Patrick C Brennan2, Sarah J Lewis2,3
1Medical Image Optimisation and Perception Group, Discipline of Medical Imaging Science, Faculty of Medicine and Health, Sydney School of Health Sciences, Susan Wakil Health Building D18, the University of Sydney, Sydney, NSW, 2006, Australia. ssiv6387@uni.sydney.edu.au.
Journal of imaging informatics in medicine
|October 15, 2024
概括
全球乳腺造影放射性特征 (GMRFs) 可以识别放射学学学员 (RTs) 具有挑战性的正常乳腺造影病例. 这有助于制定有针对性的培训计划,以提高诊断技能.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 医疗保健中的机器学习
背景情况:
- 放射学实习生 (RTs) 面临的挑战是解释正常的乳房影像.
- 识别困难的正常病例对于有效的培训至关重要.
研究的目的:
- 调查全球乳腺造影放射性特征 (GMRFs) 是否可以区分最难解读的和最容易解读的正常乳腺造影病例.
- 评估GMRF在量身定制教育计划中的实用性.
主要方法:
- 一个随机的森林机器学习模型被训练在140个正常的乳房扫描病例.
- 根据实习生的表现,案件被分类为最难或最容易解释的.
- 在模型验证中使用了leave-one-out交叉验证.
主要成果:
- 该模型实现了接收器运行特征曲线 (AUC) 下的面积为0.75.5.
- 集群突出和范围被确定为关键预测特征.
- 15个GMRF在最难解读和最容易解读的情况下有显著差异 (p <0.05).
结论:
- 对于RTs来说,GMRF可以有效地预测解释正常乳房扫描病例的难度.
- 这种能力支持定制培训课程的开发.
- 在放射学教育中,GMRF是识别具有挑战性的病例的宝贵工具.
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
10:26Author Spotlight: A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules
Published on: May 19, 2023
1.8K