上腺不确定的结节:基于CT的不同机器学习模型的放射学分析,用于预测肺癌患者的上腺转移
Lixiu Cao1, Haoxuan Yang2, Huijing Wu1
1Department of Nuclear Medical Imaging, Tangshan People's Hospital, Tangshan, Hebei, China.
Frontiers in oncology
|November 27, 2024
概括
机器学习模型使用CT放射学准确地区分肺癌患者的上腺转移与良性瘤. 综合放射学模型提供了一种强大的,非侵入性的方法来预测上腺转移,提高诊断准确度.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 在肺癌患者中区分上腺转移与良性瘤具有不确定的结节是具有挑战性的.
- 目前的诊断方法在准确性和侵入性上可能是有限的.
研究的目的:
- 评估机器学习算法的有效性,使用CT放射学来区分肺癌患者的上腺转移与良性瘤.
- 开发和比较基于普通和增强CT图像的放射学模型.
主要方法:
- 对292名患有上腺不确定的结节的肺癌患者进行了回顾性研究.
- 从平面,动脉和门户CT图像中提取放射性特征.
- 使用支持矢量机 (SVM),随机森林 (RF),后勤回归 (LR) 和决策树 (DT) 开发单相和组合相放射学模型.
- 与传统的临床病理放射学模型进行比较.
主要成果:
- 综合的SVM放射学模型在测试数据集中显示了对上腺转移的最高预测能力 (AUC=0.938).
- 与传统模型 (AUC=0.870) 相比,普通和组合放射学模型显示出更好的分辨能力.
- 所有放射学模型都表现出良好的校准,普通和组合模型显示出卓越的临床疗效.
结论:
- 综合的SVM放射学模型为预测肺癌患者的上腺转移提供了一种高效且非侵入性的方法.
- 简单的放射学模型为患有强化CT的禁忌的患者提供了方便和准确的替代方案.
