基于MRI的放射学机器学习模型,以区分非清细胞细胞癌和良性瘤
Ruiting Wang1,2, Lianting Zhong3, Pingyi Zhu1,2
1Department of Radiology, Zhongshan Hospital, Fudan University, Shanghai, China.
European journal of radiology open
|November 11, 2024
概括
这项研究开发了一种基于MRI的放射学模型,以准确区分非清细胞细胞癌 (非ccRCC) 和良性瘤. 综合后勤回归模型实现了高精度,改善了手术前诊断.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 准确的术前分化脏瘤对于治疗计划至关重要.
- 非清晰细胞细胞癌 (非ccRCC) 和良性瘤往往具有相似的成像特征.
- 提高诊断准确度可以防止对良性疾病进行不必要的手术.
研究的目的:
- 开发和验证基于MRI的放射学模型,以区分非ccRCC和良性脏瘤.
- 为了提高在质量评估中术前诊断的准确性.
- 探索机器学习在分类瘤中的实用性.
主要方法:
- 对195名病理确诊瘤患者的回顾性分析.
- 使用MRI数据和机器学习分类器 (SVM,LR) 开发放射学模型.
- 使用LASSO进行特征选择,并通过AUC和精度评估模型性能.
主要成果:
- 综合后勤回归 (LR) 模型显示了最高的差异化效率.
- 该模型在训练组中实现了0.964的AUC和0.919的准确性.
- 在测试组中,该模型实现了0.936的AUC和0.864.86的精度.
结论:
- 基于MRI的放射学机器学习是区分非ccRCC和良性脏瘤的可行方法.
- 这种方法可以显著提高临床诊断的准确性.
- 放射学对非侵入性手术前瘤特征有前途.
更多相关视频
09:31In Vivo, Percutaneous, Needle Based, Optical Coherence Tomography of Renal Masses
Published on: March 30, 2015
8.8K
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
