基于超声波的机器学习模型,用于在IgA脏病中进行纤维化的非侵入性评估
Qun Huang1, Fangyi Huang1, Chengcai Chen2
1Department of Ultrasound, First Affiliated Hospital of Guangxi Medical University, Nanning, China.
European radiology
|January 24, 2025
概括
使用超声波的新机器学习模型可以在IgA脏病 (IgAN) 中非侵入性评估纤维化. 这种综合性方法结合了成像和临床数据,为评估疾病进展提供了有希望的工具.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- IgA脏病 (IgAN) 是一种常见的淋巴细胞疾病.
- 评估间歇性纤维化和管状缩 (IF/TA) 对于IGAN预后至关重要.
- 目前IF/TA评估的方法是侵入性的.
研究的目的:
- 开发和验证基于超声波的机器学习 (ML) 模型,用于对Igan患者的IF/TA进行非侵入性评估.
- 创建一个综合超声波,临床数据和超声波成像特征的综合模型.
主要方法:
- 一项多中心回顾性研究包括471名Igan患者.
- 最小绝对收缩和选择操作员逻辑回归与交叉验证确定了相关特征.
- 使用超声波构建了ML模型,SHAP探索了可解释性.
- 后勤回归结合了超声学,临床数据和成像,形成了一个全面的模型.
- 用ROC曲线,校准曲线和决策曲线评估预测性能.
主要成果:
- 开发了三个模型:Rad_SVM_模型,临床_LR_模型和Rad_Clinic_模型.
- 全面的Rad_Clinic_Model实现了0.913 (培训),0.894 (内部验证) 和0.904 (外部验证) 的AUC.
- SHAP分析揭示了放射性特征的贡献,显示了放射性和纤维化之间的显著差异.
- 综合模型的表现优于单个指标.
结论:
- 一个基于超声波的强大和可解释的ML模型被开发和验证,用于评估Igan纤维化.
- 基于超标的综合模型显示了在IgAN中进行纤维化的非侵入性评估的潜力.
- 这种模型可以帮助评估疾病进展,并且具有重要的可解释的临床相关性.
