基于动态对比增强超声波的机器学习模型,协助LI-RADS诊断HCC:一个多中心诊断研究
Meiqin Xiao1,2, Yishu Deng2,3,4, Wei Zheng1,2
1Department of Ultrasound, Sun Yat-sen University Cancer Center, Guangzhou, China.
Heliyon
|November 4, 2024
概括
使用定量对比增强超声波 (CEUS) 参数的机器学习模型可以有效地在LR-M结节中区分肝细胞癌 (HCC). 这种方法在CEUS肝脏成像报告和数据系统 (LI-RADS) 评估中提供了与人类解释相比更好的诊断准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 增强对比的超声波 (CEUS) 肝脏成像报告和数据系统 (LI-RADS) 有助于肝细胞癌 (HCC) 的诊断.
- 目前的LI-RADS限制存在于区分HCC和非HCC病变.
研究的目的:
- 评估机器学习 (ML) 模型,以使用定量CEUS参数在LR-M节点内区分HCC.
- 评估ML模型的诊断性能与放射科医生对比.
主要方法:
- 对多中心CEUS数据 (2013年1月 - 2022年6月) 的回顾性分析.
- 定量CEUS图像分析和ML模型开发用于LR-M结节分类.
- 与放射科医生相比,使用接收器运行特征曲线 (AUC) 下的面积,灵敏度和特异性进行性能评估.
主要成果:
- 一个随机森林模型在内部测试组中获得了0.796的AUC,超过了初级放射科医生 (AUC0.619).
- 该模型显示灵敏度为0.752,特异性为0.761.
- 外部验证数据证实了该模型的通用性.
结论:
- 定量CEUS参数显示HCC和非HCC病变之间存在显著差异.
- ML模型有效地区分了LR-M结节中的HCC,增强了CEUS LI-RADS分类.
- 机器学习模型是提高肝结节诊断准确性的宝贵工具.
