基于放射学和机器学习的胸膜质病变的手术前多类分类

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 放射学 放射学是一门学科.

背景情况:

• 胸膜质病变 (TMLs) 通常被归类为囊或胸膜瘤,需要术后病理学来确定诊断.
• 在手术前对TML进行区分是具有挑战性的,这会影响治疗计划.

研究的目的:

• 开发一个模型,使用临床参数和胸部CT扫描的放射性特征来进行手术前的TML分类.
• 专注于区分胸膜囊和胸膜瘤,这是最常见的前端中瘤.

主要方法:

• 对400名患有TML的参与者进行了回顾性分析,他们接受了对比度增强的胸部CT.
• 放射性特征的提取和患者年龄的收集,然后使用培训/验证分割 (7:3比率) 进行模型开发.

主要成果:

• 开发的分类器模型在分类TML方面表现良好.
• 在验证集中实现了0.8547的准确性,用于区分胸膜囊和胸膜瘤.

结论:

• 该模型显示了帮助早期诊断TMLs的潜力.
• 为患有胸膜病变的患者制定个性化治疗策略.