预测细胞癌亚型和Fuhrman分级使用多相CT基纹理分析和机器学习技术
Amit Gupta1, Sanil Garg1, Neel Yadav1
1Department of Radiodiagnosis and Interventional Radiology, All India Institute of Medical Sciences, New Delhi, India.
The Indian journal of radiology & imaging
|April 29, 2025
概括
计算机断层扫描纹理分析 (CTTA) 能够有效地区分清细胞细胞癌 (ccRCC) 和其他癌. 这种使用开源Python的方法在预测ccRCC瘤等级方面也很有前途.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 清细胞细胞癌 (ccRCC) 是癌最常见的亚型.
- 对ccRCC与非ccRCC的准确区分和分类对于治疗规划至关重要.
- 当前的诊断方法可能在精确的分类和分级方面存在局限性.
研究的目的:
- 评估计算机断层扫描纹理分析 (CTTA),以区分ccRCC与非ccRCC.
- 评估CTTA在ccRCC中预测Fuhrman成绩的能力.
- 为了这些分析,利用开源的Python库.
主要方法:
- 对144名细胞癌 (RCC) 患者的回顾性分析.
- 使用Python库 (scipy,numpy,opencv) 计算的第一和第二阶段纹理特征分析的多相CT扫描.
- 机器学习模型,包括支持矢量机 (SVM),用于分类和预测,具有外部验证.
主要成果:
- 在皮质骨髓 (CM) 阶段的度显示了ccRCC与非ccRCC分类的最佳表现 (F1得分:0.83).
- 使用CM相位特征的SVM模型在ccRCC差异化方面获得了最高的F1得分 (0.87),外部验证结果为0.82准确度和0.81F1得分.
- 对ccRCC等级 (低与高) 的分类显示精度较低,CM阶段SVM模型的F1得分最高为0.76.
结论:
- 使用开源Python工具的CTTA是区分ccRCC与非ccRCC的有价值方法.
- CTTA显示了预测ccRCC瘤等级的潜力.
- 在ccRCC分类中,皮层膜阶段和SVM模型特别有效.
