基于病理验证,回顾性转移性淋巴结数据的宫癌分期放射模型的开发
Bin Zhang1,2, Liang Liu3, Deyue Meng4
1Department of Human Resource, The Fourth Hospital of Hebei Medical University, Shijiazhuang, China.
Acta radiologica (Stockholm, Sweden : 1987)
|November 21, 2024
概括
人工智能驱动的放射学在检测宫癌中淋巴结转移方面表现有前途. 结合淋巴结分析,特别是与支持矢量机 (SVM) 模型,改善了分期和预后的诊断准确性.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 宫癌是妇科癌症死亡率的主要原因之一.
- 准确的分期和预后依赖于检测淋巴结 (LN) 转移.
- 目前用于LN转移的诊断成像方法需要提高准确性.
研究的目的:
- 为了评估基于AI的放射学在宫癌中的盆腔LN转移的诊断准确性.
- 评估放射学在宫癌的预后和分期中的作用.
- 为了比较使用独立与合并LN数据的放射学模型的预测值.
主要方法:
- 包括118名宫癌患者和660名临床医生 (118名合并).
- 开发了四种人工智能模型:决策树,随机森林,后勤回归和支持向量机 (SVM).
- 从独立和合并的LN组中提取成像组织学特征;使用AUC和精度比较模型性能.
主要成果:
- 使用合并的LN数据的AI模型显著超过使用独立LN数据的模型.
- 合并后的LN组中的SVM模型实现了最高的测试集AUC (0.85) 和精度 (0.822).
- 后勤回归和随机森林模型也显示,与合并的LN数据的性能有所改善.
结论:
- 基于人工智能的放射学,特别是对合并的LN数据的SVM,显示了在宫癌中改善盆腔LN转移的预测潜力.
- 这种方法可以提高分期和预后的诊断准确性.
- 需要进一步验证,以便将这种AI工具集成到临床实践中.
