胸膜上皮瘤的风险分层基于周围瘤CT放射学和语义特征
Lin Zhang1, Zhihan Xu2, Yan Feng1
1Radiology Department, Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Insights into imaging
|October 22, 2024
概括
将放射学和语义特征结合在一起的诺米克图准确地预测胸膜上皮瘤 (TET) 侵入性和风险. 这些模型提高了分级的准确性,以获得更好的治疗和预后.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
背景情况:
- 胸膜上皮瘤 (TET) 需要准确的治疗阶段和预后.
- 组织病理学分类和侵袭性评估对于TET管理至关重要.
研究的目的:
- 开发和验证纳米图集放射学和语义特征用于TET侵入性和风险分层.
- 评估组合模型的性能与仅使用放射学模型和仅使用语义模型相比.
主要方法:
- 一项回顾性多中心研究包括224例TET.
- 从对比度增强的CT扫描中提取了6764个放射学特征和31个语义特征.
- 开发并验证了使用Masaoka-Koga分期和世卫组织分类所选特征的诺姆图.
主要成果:
- 组合模型实现了高精度:在Masaoka-Koga分期中AUC为0.958,在外部验证中WHO分类为0.857.
- 结合周放射学和语义特征的诺摩图显示出优异的预测性能.
- 语义模型显示性能与放射学模型相比.
结论:
- 结合周围瘤放射学和语义特征的诺姆图可以提高分级TET入侵性和风险分层的准确性.
- 这些综合模型为TET管理中的临床决策提供了有前途的工具.
- 周瘤区域具有预测TET组织病理和侵入性风险的巨大潜力.
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
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
