基于超声波的可解释机器学习模型的开发和验证,用于≤3厘米肝细胞癌的分类:一个多中心的回顾性诊断研究
Zhicheng Du1,2,3, Fangying Fan1, Jun Ma1
1Department of Interventional Ultrasound, Fifth Medical Center of Chinese PLA General Hospital, Beijing, China.
EClinicalMedicine
|March 4, 2025
概括
使用灰度超声波的机器学习模型有效地将小肝细胞癌 (sHCC) 与其他肝病变区分开来. 这种先进的诊断工具超过了专家放射科医生,提高了sHCC的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 是一个重要的全球健康问题.
- 早期和准确的诊断小HCC (sHCC) 对于有效的治疗和改善患者的结果至关重要.
- 使用成像来区分sHCC与其他良性或恶性肝病变可能是具有挑战性的.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,以使用灰度超声波 (US) 成像来区分sHCC (≤3厘米) 和非HCC病变.
- 将开发的ML模型的诊断性能与经验丰富的放射科医生的诊断性能进行比较.
主要方法:
- 追溯收集了来自1052名患者的1058个肝病变的大队列.
- 机器学习模型,包括多层感知子 (MLP) 和极端梯度增强 (XGBoost),是使用美国成像和放射学特征开发的.
- 模型被训练并内部验证,最佳模型 (ModelURC) 在外部验证队列中进一步评估,并与放射科医生的表现进行比较.
主要成果:
- 基于XGBoost的ModelURC,包括美国成像,放射学和临床特征,表现出卓越的性能,内部验证的AUC为0.934,外部验证的AUC为0.899.
- 模型URC显著优于所有个人放射科医生,并且当作为辅助工具使用时,改善了他们的诊断准确性 (P < 0.0001).
- 在不同瘤大小 (≤2.0厘米与2.1-3.0厘米) 或HCC风险分层之间没有发现诊断性能的显著差异.
结论:
- 一个强大的ML模型 (ModelURC) 已成功开发和验证,用于使用灰度美国的sHCC的准确诊断.
- 开发的ML模型显著提高了美国灰度的sHCC的诊断能力,超过了专家的性能.
- 这种人工智能驱动的方法为改善早期检测和小肝细胞癌的管理提供了有希望的工具.
