基于CECT的不同机器学习模型的放射性名图,用于区分恶性和良性含有固体的脏质量

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医学成像分析 医学成像分析

背景情况:

• 区分良性和恶性固体质对于适当的患者管理至关重要.
• 准确的手术前诊断可以防止不必要的手术,并引导对脏瘤的及时治疗.

研究的目的:

• 为了评估来自对比增强计算机断层扫描 (CECT) 的放射性名图的诊断性能,以区分良性和恶性固体质.
• 开发和验证一种用于质特征的非侵入性工具.

主要方法:

• 放射性特征从122名病理确认质患者的CECT扫描中提取.
• 包括后勤回归在内的机器学习模型被训练并验证,以构建放射性签名.
• 使用显著的临床特征开发了一种临床模型.
• 结合了临床因素和放射性签名的放射性名图,构建了一个联合放射性名图.

主要成果:

• 基于后勤回归的放射性模型实现了曲线下的面积 (AUC) 为0.952 (训练) 和0.887 (测试).
• 临床模型显示AUC为0.854 (训练) 和0.747 (测试).
• 综合放射性名图显示出优异的区分性能,AUC为0.973 (训练) 和0.900 (测试).

结论:

• 基于CECT的放射性诺米克图是一种有前途的非侵入性方法,用于区分恶性和良性固体质.
• 这种工具可以帮助临床医生做出关于质治疗策略的明智决策.
• 开发的诺米图为准确诊断脏瘤提供了宝贵的见解.