基于CT值的机器学习模型对尿路感染,结石的预测值
Jiaxin Li1, Yao Du2, Gaoming Huang1
1Department of Urology, The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang 330006, China.
iScience
|December 5, 2024
概括
机器学习使用CT扫描准确地预测感染石头. 这种新的XGBoost模型有助于泌尿科医生进行手术前诊断,改善尿路感染和结石的管理.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 感染石头的术前诊断在临床上具有挑战性.
- 准确的鉴定对于有效的患者管理至关重要.
- 目前的诊断方法有其局限性.
研究的目的:
- 开发和评估用于手术前预测感染石头的机器学习模型.
- 为了利用计算机断层扫描 (CT) 值进行体内鉴定.
- 为了比较不同机器学习算法的性能.
主要方法:
- 一项回顾性研究包括1209名接受尿液石的患者.
- 通过使用11个手术前变量训练了7个机器学习算法.
- 用曲线下的面积 (AUC) 和精度召回曲线下的面积 (AUPR) 来评估模型性能.
主要成果:
- 所有七种模型都在验证集中显示出强烈的歧视 (AUC:0.687-0.947).
- 与传统的物流回归 (LR) 模型相比,XGBoost模型表现出卓越的性能.
- XGBoost实现了感染石头的最高预测准确度.
结论:
- XGBoost模型是第一个基于CT值的机器学习方法,用于基于CT值的感染石的术前预测.
- 该模型提供了快速而准确的体外识别感染石头.
- 它为泌尿科医生提供了宝贵的指导,用于石头管理策略.
更多相关视频
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
03:19Author Spotlight: Developing a Bedside Protocol for Kidney and Genitourinary Ultrasonography
Published on: June 21, 2024
973
