使用XGBoost放射学模型与4个MRI序列预测手术前瘤相关的

科学领域:

• 放射学和机器学习在神经瘤学中
• 医学成像分析 医学成像分析
• 预测发作的预测

背景情况:

• 瘤相关 (TRE) 在质瘤患者中很常见,因此需要准确预测及时干预.
• 机器学习 (ML) 模型有可能预测手术前瘤相关 (PTRE).

研究的目的:

• 在放射学模型中评估 eXtreme Gradient Boost (XGBoost) ML算法的性能,以预测PTRE.
• 为了比较XGBoost的预测能力与传统的ML算法,如LASSO,弹性网,随机森林和支持向量机器.

主要方法:

• 利用了74名结质瘤患者 (30名有PTRE,44名没有) 的MRI数据 (T1W,T1WC,T2W,T2W FLAIR).
• 提取了394个放射学特征和12个临床特征;开发了20个放射学模型,使用双阶段ML进行特征选择和PTRE预测.
• 采用嵌套交叉验证用于算法调整和稳定特征选择.

主要成果:

• XGBoost放射学模型实现了0.81±0.01的平衡精度和0.80±0.01的F1得分.
• 在0.81±0.02时,XGBoost表现出最高的回忆,利用T1W,T2W和T2W FLAIR序列的纹理特征.
• 与其他模型相比,XGBoost发现了具有更高预测价值和更高稳定的特征.

结论:

• 在质瘤患者中,XGBoost为PTRE预测提供了传统ML算法的强有力的替代方案.
• XGBoost 模型的高性能指标和稳定的功能选择突出显示了其在放射学分析中的实用性.
• 来自多个MRI序列的特征的整合对于准确的PTRE预测具有重要意义.