基于多参数MRI的可解释机器学习放射学模型,用于区分乳腺癌中的光线和非光线瘤:一个多中心研究
Yi Zhou1, Guihan Lin2, Weiyue Chen2
1Zhejiang Key Laboratory of Imaging and Interventional Medicine, Zhejiang Engineering Research Center of Interventional Medicine Engineering and Biotechnology, Key Laboratory of Precision Medicine of Lishui City, The Fifth Affiliated Hospital of Wenzhou Medical University, Lishui 323000, China; Department of Breast Surgery, The Fifth Affiliated Hospital of Wenzhou Medical University, Lishui 323000, China.
使用多参数MRI的可解释机器学习放射学模型可以准确地区分光线和非光线乳腺癌 (BC) 亚型,帮助治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 将乳腺癌 (BC) 分类为光线和非光线亚型对于治疗选择至关重要.
- 准确的手术前分化这些亚型仍然是一个临床挑战.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 放射学模型,使用多参数MRI来区分光线和非光线BC.
- 评估模型的性能和可用于临床应用的可解释性.
主要方法:
- 公元前1098年的参与者在四个中心注册.
- 从多参数MRI (T1WI,T2WI,DWI,ADC,DCE) 中提取了放射性特征.
- 极端梯度增强 (XGBoost) ML算法用于构建放射学和组合模型,并使用Shapley增量解释 (SHAP) 进行解释.
主要成果:
- 该XGBoost放射学模型实现了高性能 (AUCs 0.862-0.941).
- 结合了XGBoost模型,结合了临床预测因素,证明了优越的歧视 (AUC 0.906-0.956).
- SHAP分析确定了关键的放射学特征,包括ADC和DCE参数,有助于预测.
结论:
- 使用多参数MRI的可解释XGBoost组合模型有效地区分光线和非光线BC亚型.
- 该模型显示,它有可能帮助进行手术前诊断,并指导乳腺癌治疗策略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Magnetic Resonance Imaging
Imaging Studies IV: Magnetic Resonance Imaging
