基于MRI成像的多组合学习模型的比较性能,用于基于MRI成像的直肠癌中瘤沉积的术前预测
Jiayi Wang1,2, Fayong Hu3, Jin Li1
1Computer Center, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, China.
Scientific reports
|February 9, 2025
概括
合体学习模型准确地预测直肠癌瘤沉积物. 投票整体学习模型 (VELM) 显示出卓越的性能,为手术前临床决策提供了可靠的工具.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在瘤学中
- 放射学和人工智能 放射学和人工智能
背景情况:
- 集体学习可以减轻预测模型中的过度匹配.
- 在直肠癌 (RC) 中准确预测瘤沉积对于手术前规划至关重要.
- 放射性特征为非侵入性瘤表征提供了潜力.
研究的目的:
- 评估集合学习模型,用于预测RC中的瘤沉积.
- 确定手术前临床决策的最佳模型.
- 用放射性特征来评估各种组合技术的性能.
主要方法:
- 从199名RC患者的T2加权和ADC图像中提取了放射性特征.
- 应用了包装 (随机森林),提升 (XGBoost,AdaBoost,LightGBM,CatBoost) 和投票组合模型.
- 用AUC,校准曲线,t-SNE和决策曲线分析与十倍交叉验证来评估模型性能.
主要成果:
- 投票整体学习模型 (VELM) 在测试队列中取得了最高的表现 (AUC:0.875,准确率:0.800).
- VELM通过校准图表和通过t-SNE.清晰的特征集群展示了稳定的预测.
- 决策曲线分析证实了VELM在各种门上具有卓越的临床效用.
结论:
- 在VELM显示显著的潜力作为一个可靠的工具,在直肠癌的术前临床决策.
- 集体学习,特别是VELM,有效地利用放射性特征来预测瘤沉积.
- 这种方法可以改善直肠癌患者的手术前评估和治疗计划.
