使用手术前CT特征预测良性和恶性肺结节:使用PNI-GARS作为预测指标
Yuxin Zhan1, Feipeng Song2,3, Wenjia Zhang3
1School of Science, Chongqing University of Technology, Chongqing, China.
Frontiers in immunology
|December 5, 2024
概括
一个新的可解释的增强模型使用CT扫描准确地分类肺结节. 这种人工智能方法在结节诊断方面明显优于放射科医生,改善了患者的护理.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 肺结节需要准确的分类才能进行有效的治疗.
- 目前的诊断方法依赖于放射科医生对CT扫描的解释,这可能是主观的.
- 开发客观,人工智能驱动的工具可以提高诊断准确性和一致性.
研究的目的:
- 开发和验证用于分类肺结节的预测模型.
- 使用手术前CT成像进行结节分类.
- 将机器学习模型的性能与人类专家的解释进行比较.
主要方法:
- 从多个中心追溯收集肺结节CT数据.
- 由高级放射科医生提取22个手工制作的临床参数.
- 机器学习模型的构建和优化,包括随机森林,梯度增强和可解释增强.
- 使用5倍和10倍交叉验证和人机比较进行验证.
主要成果:
- 可解释增强模型实现了89.9%的准确性,97.48%的精度,89.5%的特异性和91.1%的灵敏性.
- 该模型显示曲线下的高面积 (AUC) 为90.3%.
- 与放射科医生 (60%) 相比,机器学习模型显示AUC显著改善 (90.4%).
结论:
- 可解释增强模型为肺结节分类提供了卓越的性能.
- 这种人工智能模型实现了高准确度和精度,超过了经验丰富的放射科医生.
- 这些发现表明,人工智能在改善肺结节诊断方面发挥着有希望的作用.
