基于机器学习的多模式模型,用于区分非结核菌和结核菌的结核菌
Hong-Ling Li1, Ri-Zeng Zhi1, Hua-Sheng Liu1
1Department of Infectious Diseases, Zhoushan Hospital, Wenzhou Medical University, Zhoushan, Zhejiang, China.
Frontiers in public health
|March 4, 2025
概括
一个新的多式机器学习模型有效地区分了非结核菌 (NTM) 和结核菌菌 (MTB). 这种方法结合了临床数据和CT放射学,显示出卓越的准确性,并有助于临床决策.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 传染性疾病 传染性疾病
背景情况:
- 区分非结核菌 (NTM) 和结核菌菌 (MTB) 对于有效治疗至关重要.
- 准确的诊断可能具有挑战性,需要先进的诊断工具.
研究的目的:
- 开发和评估一种多式联网机器学习方法,以区分NTM与MTB.
- 将这种多式模式的性能与仅临床,仅放射和现有的诊断方法进行比较.
主要方法:
- 175名患者的临床数据和CT图像的回顾性分析.
- 使用五种机器学习算法开发临床,放射学和多模式 (临床+放射学) 模型.
- 为每个模型选择最佳算法和特征识别.
- 使用新患者数据进行外部验证,并与放射科医生的性能和NGS检测进行比较.
主要成果:
- 合并年龄,IL-6和两个放射学特征的最佳多式模式实现了最高的性能指标 (AUC,精度,灵敏度,NPV).
- 多式模式模型在外部测试数据集中显示出卓越的精度 (0.745) 和灵敏度 (0.900).
- 性能超过了单个临床或放射学模型,放射学家,NGS检测和现有的机器学习模型的性能.
结论:
- 本研究提出了第一个用于区分NTM和MTB的多式联运模型.
- 开发的模型显示出有很大的潜力,可以帮助经验丰富的放射科医生进行临床决策.
- 与当前方法相比,多式联络方法提供了更好的诊断准确性.
