机器学习通过对比增强的超声波特征区分良性和恶性状腺瘤

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习
• 诊断的准确性 诊断的准确性

背景情况:

• 对比增强超声波 (CEUS) 是一种关键的成像方式,用于区分良性瘤 (BPTs) 和恶性瘤 (MPTs).
• 整合机器学习 (ML) 提供了提高瘤手术前诊断精度的潜力.

研究的目的:

• 评估机器学习算法在区分BPT和MPT方面的诊断能力.
• 将ML模型的性能与传统的CEUS和实验室变量进行比较.

主要方法:

• 一项回顾性队列研究包括接受膜切除术和未经治疗的膜瘤的CEUS患者.
• 使用手术前的CEUS和实验室变量 (例如,淋巴细胞计数,D-二次体) 来预测瘤类型 (BPT与MPT) 的支持矢量机 (SVM) 算法被开发出来.
• 模型在70%的数据上受过训练,并在30%的测试集上得到验证,使用AUC,准确性,灵敏度和特异性等指标评估性能.

主要成果:

• 该研究包括48名患者;测试组包括15个瘤 (12个BPT,3个MPT).
• 使用特定的CEUS (宽度,到达时间,到达峰值时间) 和实验室变量 (淋巴细胞计数,D-二次数,预后营养指数) 的SVM模型实现了高诊断性能 (AUC = 0.972,精度 = 93.3%).
• 与单个CEUS变量,实验室标记物和临床诊断相比,SVM模型显示出明显优异的诊断性能.

结论:

• 与传统的CEUS和实验室分析相比,支持矢量机 (SVM) 算法在区分良性和恶性瘤方面表现出更好的能力.
• 基于ML的诊断工具对改善状腺瘤诊断的术前准确性具有显著的前途.