基于临床成像和超声波放射学特征的非新发性和新发性胆囊息肉的非侵入性分类:可解释的机器学习模型
Minghui Dou1, Hengchao Liu1, Zhenqi Tang1
1Department of Hepatobiliary Surgery, The First Affiliated Hospital of Xi'an Jiaotong University, Xi'an, 710061, Shaanxi, China.
概括
这项研究开发了一种机器学习 (ML) 模型,以非侵入性地区分胆囊聚体 (GPs). 组合模型准确地识别了多类型,可能减少不必要的手术.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 胆囊聚体 (GPs) 需要精确的手术前区分瘤和胆固醇类型.
- 目前的非侵入性方法缺乏可靠性,以区分前癌性胆囊腺瘤与胆固醇聚合体.
研究的目的:
- 评估一个可解释的机器学习 (ML) 组合模型,以精确区分胆囊多病理.
- 开发一种非侵入性工具,以改善胆囊多的诊断.
主要方法:
- 744名患有病理诊断的胆囊息肉的患者被追溯分析.
- 放射学特征和临床变量被提取并使用后勤回归和ML模型进行分析.
- 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
主要成果:
- 基于ML的放射学模型实现了高诊断准确性 (AUC高达0.852).
- 组合模型表现出优异的性能 (AUC高达0.910),超过单个模型的表现.
- SHAP分析确定了小息肉的短直径作为一个关键预测因素,该模型减少了不必要的手术.
结论:
- 基于ML的组合模型提供了一种有效的非侵入性方法,用于精确的胆囊多治疗.
- 使用SHAP可视化增强了ML模型在诊断胆囊多时的临床适用性.
更多相关视频
05:50Author Spotlight: Point-of-Care Ultrasound for Gastric Content Assessment and Risk Stratification in Perioperative Care
Published on: September 22, 2023
2.6K
07:44Non-Invasive Ultrasound Assessment of Endometrial Cancer Progression in Pax8-Directed Deletion of the Tumor Suppressors Arid1a and Pten in Mice
Published on: February 17, 2023
1.4K
