提高多发性硬化症中活跃和非活跃病变的分类:机器学习模型和特征选择技术
Atefeh Rostami1,2, Mostafa Robatjazi3,4, Amir Dareyni5
1Department of Medical Physics and Radiological Sciences, Sabzevar University of Medical Sciences, Sabzevar, Iran.
BMC medical imaging
|December 20, 2024
概括
深度学习模型显示出从MRI扫描中分类多发性硬化症 (MS) 病变的前景. 一个顺序深度学习模型实现了95.60%的AUC,超过了MS斑块检测的传统机器学习方法.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 加多增强的T1加权MRI是积极多发性硬化症 (MS) 病变检测的标准.
- 这项研究评估了机器学习 (ML) 和深度学习 (DL) 用T2加权MRI对MS病变进行分类.
- 专注于区分活跃与非活跃的MS病变.
研究的目的:
- 评估16个ML和1个连续DL模型的性能.
- 使用T2加权MRI分类活跃与非活跃的MS病变.
- 确定最有效的MS病变表征模型.
主要方法:
- 使用3D Slicer从75个活跃的MS病变和100个非活跃的MS病变中提取了107个特征.
- 开发了16个ML和1个顺序DL模型,具有5倍的交叉验证.
- 在测试数据上使用准确度,精度,灵敏度,特异性,AUC和F1分数来评估模型性能.
主要成果:
- 顺序DL模型在测试数据集中实现了最高的曲线下面积 (AUC) 95.60%.
- 混合渐变增强分类器 (HGBC) 的测试AUC为86.75%.
- 梯度增强分类器 (GBC) 在交叉验证期间实现了87.92%的AUC.
结论:
- 这项研究证明了MS病变分类的顺序DL模型的有效性.
- 合并方法和DL方法显示出强大的预测性能.
- 这些发现支持AI在分类多发性硬化斑块方面的潜力.
