机器学习允许使用电子活检通过微创电阻谱法对肺瘤组织进行可靠的分类,使用电子活检

科学领域:

• 肺部医学 肺部医学
• 生物医学工程 生物医学工程
• 计算病理学计算病理学

背景情况:

• 支气管镜对于抽取肺组织样本至关重要,但实时表征仍然具有挑战性.
• 像辐射探头内支气管超声波这样的先进技术在广泛采用方面存在局限性.
• 在活检期间准确识别瘤肺组织对于有效的诊断和治疗至关重要.

研究的目的:

• 评估与电阻谱学 (EIS) 结合的分类算法的有效性,以改善瘤肺组织的识别.
• 通过使用生物阻抗数据,评估各种机器学习模型在区分癌症和非癌症肺组织方面的性能.
• 确定EIS引导分类算法的适用性,作为支气管镜活检的低成本辅助.

主要方法:

• 最少侵入性的EIS被应用于15个频率 (15-307千赫) 的肺组织样本.
• 训练和测试了分类算法,包括决策树,支向量机 (SVM),集合方法,K-最近邻居,天真贝叶斯和差异分析.
• 使用曼-惠特尼U测试来评估统计学意义,模型性能通过接收器操作特征曲线 (AUC,精度,回忆,F1得分) 和5倍交叉验证来评估.

主要成果:

• 所有测试频率都显示了瘤和其他肺组织之间的统计学上显著差异 (P < 0.001).
• 决策树,SVM和差别分析算法实现了超过95%的准确性,AUC和F1分数.
• 纯粹的贝叶斯算法显示性能低于95%的门,而其他模型的性能很高.

结论:

• 电阻谱学与机器学习相结合,为瘤肺组织的识别提供了一种高度准确的方法.
• 决策树,区分分析和SVM算法非常适合开发一种新的,具有成本效益的导向系统,用于支气管镜活检.
• 这种方法有可能提高肺癌诊断过程中的诊断产量和程序效率.