基于超声波的放射学签名与机器学习,用于区分儿科外围神经质瘤的预后子组:一项回顾性研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 儿科神经芽细胞瘤的预后有所不同.
• 准确的预后子设置对于治疗规划至关重要.
• 现有的模型可能无法充分利用成像数据.

研究的目的:

• 开发和验证一个卓越的预测模型,用于儿科神经芽细胞瘤预后.
• 为了比较放射性特征与联合临床和放射性数据的疗效.
• 确定改善预后差异化的关键特征.

主要方法:

• 机器学习模型是使用基于超声波的放射学特征和73名儿科神经质瘤患者的临床数据构建的.
• 模型经过训练和验证,以确定表现最佳的组合方法和仅使用放射学方法.
• 使用极端梯度增强,并使用曲线下的面积,平衡精度,卡帕值和F1分数来评估模型性能.

主要成果:

• 极端梯度增强放射学模型表现出卓越的性能.
• 与组合模型相比,放射学模型实现了更高的平衡精度 (0.9045),卡帕值 (0.8091) 和F1得分 (0.9091).
• 包括统计和纹理放射学在内的高维特征被确定为关键预测因素.

结论:

• 基于超声波的放射学模型在儿科神经芽细胞瘤的预后下设方面显著优于组合模型.
• 高维的放射性特征比单独的临床特征更具影响力.
• 开发的放射学模型为改善预后评估提供了一个有前途的工具.