计算机断层扫描-基于图像的质瘤分级使用放射学和机器学习:一项原则证明研究
Melike Bilgin1, Sabriye Sennur Bilgin1, Burak Han Akkurt1
1Clinic for Radiology, University of Münster and University Hospital Münster, Albert-Schweitzer-Campus 1, DE-48149 Muenster, Germany.
Cancers
|January 25, 2025
概括
机器学习模型可以使用计算机断层扫描 (CT) 扫描来准确区分低级和高级质瘤,而不仅仅是MRI. 这一进步可能会加速脑瘤诊断,减少活检.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 机器学习 (ML) 越来越多地用于中枢神经系统 (CNS) 瘤分级.
- 大多数研究都使用磁共振成像 (MRI) 或正子发射断层扫描 (PET) 数据.
- 很少有研究探讨了ML用于使用计算机断层扫描 (CT) 扫描进行瘤分级.
研究的目的:
- 用CT图像评估基于ML的瘤诊断的可行性.
- 通过CT扫描来研究低度和高度质瘤的区分能力.
- 为了比较CT与MRI对基于ML的质瘤分级的疗效.
主要方法:
- 分析了经历史学证实的质瘤.
- 评估了三种传统的ML算法和一个神经网络.
- 使用MRI数据对现有的ML研究进行了性能比较.
主要成果:
- 最好的模型利用了六个特征与一个天真的贝叶斯方法.
- 该模型实现了曲线下的平均面积 (AUC) 为0.903.
- 观察到高诊断性能:准确度 (0.839),灵敏度 (0.807) 和特异性 (0.864).
结论:
- 通过CT图像,ML算法可以有效地区分低级和高级质瘤.
- 基于CT的ML模型为MRI提供了一个有希望的替代方案,用于脑瘤诊断.
- 未来基于CT的模型可以加速诊断,减少对活检的需求.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.0K
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
