使用机器学习预测鼻腔逆向乳头瘤的附着:当前的教训和未来的方向

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 倒置乳头瘤 (IP) 在CT扫描上经常与高静止症有关.
• 确定IP瘤的起源和附着部位对于手术规划至关重要.
• 计算机断层扫描 (CT) 是评估IP的关键成像方式.

研究的目的:

• 开发和评估一种机器学习 (ML) 模型,用于识别CT图像上的IP附件位置.
• 在此任务中评估深度学习细分算法 (nnU-Net) 的性能.
• 确定影响模型准确性的因素.

主要方法:

• 在该机构接受治疗的58名IP患者的回顾性审查.
• 在手术外科医生的CT扫描上手动细分瘤附着部位.
• 应用nnU-Net模型用于IP连接站点的自动识别和细分.
• 使用5倍交叉验证和索伦森-迪斯系数进行评估.

主要成果:

• 在55.2%的患者中,ML算法确定了IP附着部位.
• 平均子得分为0.34 (+/- 0.24),表明细分表现适度.
• 该模型在上鼻附着部位 (OR 4.6) 的表现更好,在修复手术 (OR 0.11) 中表现更差.

结论:

• 一个最先进的ML模型证明了识别IP附加站点的能力.
• 该模型在某些特定情况下显示出高准确性,特别是在上鼻起源方面.
• 为了可靠的临床整合这种ML工具,需要更大,更多样化的数据集.