使用基于超声波临床特征的机器学习模型,区分胰腺管道腺癌和自身免疫性胰腺炎
Lihua Zhang1,2,3, Xiang Chen1,2,3, Zhikui Chen4
1Shengli Clinical Medical College of Fujian Medical University, Fuzhou, Fujian, China.
Frontiers in oncology
|March 6, 2025
概括
使用超声波特征的新随机森林模型可以区分自身免疫性胰腺炎 (AIP) 和胰腺管腺癌 (PDCA). 这种AI工具与经验丰富的放射科医生相匹配,有助于临床诊断.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 从临床上来说,区分自身免疫性胰腺炎 (AIP) 和胰腺管腺癌 (PDCA) 是具有挑战性的.
- 准确的差异诊断对于适当的患者管理和治疗至关重要.
研究的目的:
- 开发和验证一种机器学习模型,使用超声波特征区分AIP和PDCA.
- 将AI模型的诊断性能与不同经验水平的放射科医生进行比较.
主要方法:
- 一个随机森林 (RF) 模型被训练和验证了来自三个中心的AIP和PDCA患者的回顾性超声数据.
- 使用差异过和LASSO回归进行了特征选择.
- 模型性能使用包括灵敏度,特异性,精度和AUC在内的指标进行评估,并与人类专家性能进行比较.
主要成果:
- 射频模型利用诸如Ca-19-9的特征,腹痛,黄,AIP类型,血液流动和形态,在外部验证队列中实现了高诊断性能 (89.0%和91.0%的AUC).
- 该模型的表现与经验丰富的放射科医生的表现相当 (AUC没有提供人类比较,但其他指标相似).
- 经验较少的放射科医生显示诊断准确度明显降低.
结论:
- 开发的射频模型有效地使用临床超声波特征将AIP与PDCA区分开来.
- 这种由人工智能驱动的方法显示出作为一个有价值的工具来帮助临床医生诊断这些具有挑战性的条件的潜力.
- 该模型的性能与经验丰富的放射科医生相美,这表明它在临床实践中的实用性.
