基于CT放射学,构建宫癌瘤组织和正常组织的分类模型
Jinghong Pei1, Jing Yu2, Ping Ge3
1Nursing Department, The Second People's Hospital of Jingdezhen, Jingdezhen, China.
Technology in cancer research & treatment
|November 14, 2024
概括
这项研究开发了一个使用CT放射学和机器学习的自动化框架,以区分宫癌与正常子宫组织. XGBoost模型显示了最高的诊断准确性,证明了改善临床诊断的潜力.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 宫癌的诊断依赖于精确的组织分化.
- 放射学提供了医疗图像的定量特征.
- 机器学习可以自动化复杂的诊断任务.
研究的目的:
- 创建一个用于宫癌检测的自动分类框架.
- 为了评估基于CT的放射学特征的疗效.
- 为了比较各种机器学习模型用于组织分类的性能.
主要方法:
- 从117名宫癌患者的CT图像进行了回顾性分析.
- 手动细分瘤和正常子宫组织用于放射性特征提取.
- 使用最小绝对收缩和选择运算符 (LASSO) 回归的特征选择.
- 使用支持向量机 (SVM),随机森林 (RF),K-最近邻居 (KNN),极端梯度增强 (XGBoost) 和决策树 (DT) 模型进行分类.
主要成果:
- 确定了18个关键的放射性特征,以区分宫癌与正常子宫组织.
- 所有五种机器学习模型在测试数据上都实现了高性能 (AUC > 0.8866).
- 在XGBoost模型中,在测试数据上,AUC为0.9190的AUC显示出卓越的诊断准确性.
结论:
- CT放射学与机器学习相结合,为分类宫癌提供了强大的方法.
- 开发的框架显示了提高临床诊断能力的巨大潜力.
- 自动分类可以提高宫癌诊断的准确性和效率.
