深度转移学习放射学用于区分鼻腔恶性瘤:初步的MRI研究
Naier Lin1, Yiqian Shi1, Min Ye2
1Department of Radiology, Eye & ENT Hospital, Fudan University, Shanghai, China.
Future oncology (London, England)
|February 24, 2025
概括
这项研究结合了MRI放射学和深度学习,以准确识别鼻癌. 支持矢量机器模型在区分状细胞癌,状囊性癌和淋巴瘤方面取得了92.6%的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 鼻恶性瘤带来了诊断方面的挑战.
- 精确区分鼻腔状细胞癌 (SCC),腺囊性癌 (ACC) 和非霍奇金淋巴瘤 (NHL) 对于有效治疗至关重要.
- 先进的成像分析技术可以提高诊断准确性.
研究的目的:
- 为了评估结合MRI手工制作 (HC) 放射学特征与深度转移学习 (DTL) 特征的诊断性能.
- 使用各种机器学习 (ML) 模型来识别鼻腔SCC,ACC和NHL.
主要方法:
- 对132名鼻瘤患者的回顾性分析.
- 从多个MRI序列中提取HC放射和DTL特征 (T2加权,ADC,对比度增强T1加权).
- 使用ResNet50进行DTL特征提取和LASSO回归进行特征选择,然后对7个ML模型进行评估.
主要成果:
- 开发了一种包含24个HC和8个DTL特征的放射性特征.
- 支持矢量机 (SVM) 模型在测试队列中获得了最高的准确性 (92.6%).
- SVM模型表现出优异的歧视,宏观平均AUC为0.98和微观平均AUC为0.99,个人AUC为ACC的0.99,NHL的0.97,SCC的1.00.
结论:
- 基于MRI的HC放射学和DTL特征的整合显著改善了鼻腔SCC,NHL和ACC的差异化.
- 使用这些组合特征的SVM模型显示出对这些鼻恶性瘤的准确诊断具有很高的潜力.


