放射性和深度特征的整合可靠地区分良性病变与细胞癌
Shuanbao Yu1, Ruochen Hao1, Jinshan Cui1
1Department of Urology The First Affiliated Hospital of Zhengzhou University Zhengzhou China.
European journal of radiology
|February 12, 2025
概括
一个新的多式评分准确地将良性病变与细胞癌 (RCC) 区分开来,改善了对所有和小病变的诊断. 这种工具有助于避免病变患者不必要的手术.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确区分良性病变与细胞癌 (RCC) 对于适当的患者管理至关重要.
- 小小的病变 (≤4厘米) 带来了诊断挑战,需要改进成像分析技术.
研究的目的:
- 为了提高诊断性能,区分良性病变与RCC.
- 将临床数据,放射性特征和深度特征整合到多模式诊断分数中.
主要方法:
- 一项回顾性研究涉及2,158名患有病变的患者.
- 在CT成像特征上使用AutoGluon-Tabular分类器构建放射性和深度得分.
- 通过结合临床,放射性和深度得分,在多个机构中验证和测试,开发一种多式成绩.
主要成果:
- 多模式评分在诊断准确性方面显著优于个人评分和放射科医生的解释 (AUC从0.906到0.949不等).
- 在验证和测试队列中,无论是整体病变还是小病变,都观察到更好的表现.
- 多模式评分显示出高一致性和净益,特别是在指导临床决策方面.
结论:
- 多模式评分作为区分良性病变与RCC的可靠预测指标.
- 这种方法有可能减少不必要的活检和手术.
- 多模式评分可以帮助临床医生指导病变的管理.
