基于放射性特征的机器学习模型作为一种工具,用于在随访期间识别FDG-PET图像上的活跃巨细胞动脉炎
Hanne S Vries1,2, Gijs D van Praagh1, Pieter H Nienhuis1
1Department of Nuclear Medicine and Molecular Imaging, University Medical Centre Groningen, University of Groningen, 9700 RB Groningen, The Netherlands.
Diagnostics (Basel, Switzerland)
|February 13, 2025
概括
使用PET/CT扫描的放射性特征的机器学习模型可以有效地识别活性巨细胞动脉炎 (GCA),并将其与动脉样硬化区分开来,有助于治疗监测.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 巨细胞动脉炎 (GCA) 的诊断和治疗监测依赖于[18F]FDG-PET/CT扫描.
- 在后续扫描中,区分活性GCA与动脉样硬化可能具有挑战性.
- 机器学习 (ML) 提供了客观图像分析的潜力.
研究的目的:
- 评估使用放射性特征在[18F]FDG-PET/CT上对主动动脉中活性GCA检测的ML模型的可行性.
- 为了在治疗监测的后续扫描中区分活性GCA与动脉样硬化.
- 将ML模型的性能与临床报告进行比较.
主要方法:
- 从GCA患者和对照组的64个[18F]FDG-PET扫描的回顾性分析.
- 从划定的大动脉段中提取95个放射性特征.
- 使用各种特征选择和分类方法对441ML模型进行培训和验证.
- 使用曲线下的面积 (AUC) 评估性能,并与临床报告进行比较.
主要成果:
- 最优的ML模型 (10个特征,ANOVA,随机森林) 实现了0.92 ± 0.01的AUC.
- 在检测活性GCA方面,ML模型在临床报告中表现优越 (PPV为0.83比0.80,NPV为0.85比0.79,精度为0.84比0.79).
- 使用阻塞图的可解释性分析确定了ML决策的关键大动脉区域.
结论:
- 一个基于放射学的ML模型可以使用[18F]FDG-PET/CT扫描准确地识别大动脉中的活性GCA.
- ML模型有效地将GCA与动脉样硬化区分开来,显示出作为监测工具的潜力.
- 这种方法可以提高GCA患者具有挑战性的[18F]FDG-PET/CT扫描的解释.
更多相关视频
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
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
