一个基于高频超声波的机器学习模型,用于区分良性和恶性皮肤瘤
Yishuo Qin1, Zhirou Zhang1, Xiaomeng Qu2
1Department of Ultrasound, The First Hospital of Dalian Medical University, Dalian, Liaoning.
Medical ultrasonography
|May 11, 2025
概括
机器学习模型显示出对非侵入性皮肤瘤分化有希望. 多层感知模型实现了高精度,在诊断恶性皮肤瘤方面超过了传统的临床模型.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 精确的皮肤瘤分化对于有效治疗至关重要.
- 目前的诊断方法可能具有侵入性或缺乏足够的准确性.
- 需要用于皮肤瘤分析的非侵入性,自动化工具.
研究的目的:
- 探索机器学习作为一种非侵入性工具,用于自动化皮肤瘤分化.
- 开发和评估放射学模型来分类皮肤病变.
- 将机器学习模型的性能与传统的临床因素进行比较.
主要方法:
- 对156个皮肤病变进行了回顾性分析.
- 从灰度图像中提取基于超声波的放射学特征.
- 开发五种机器学习模型,包括多层感知 (MLP).
- 使用接收器运行特征 (ROC) 曲线和DeLong的测试进行评估.
主要成果:
- 年龄,边缘定义不佳,形状不规则被确定为恶性皮肤瘤的危险因素.
- MLP模型表现出卓越的性能,曲线下的面积 (AUC) 为0.963.
- 在MLP模型显示比临床模型 (p=0.009) 的统计学显著改善.
结论:
- 机器学习模型提供了一种潜在的非侵入性方法,以提高皮肤瘤诊断效率.
- 自动化放射学分析可以帮助区分恶性和良性皮肤病变.
- 对机器学习应用的进一步研究可以改善皮肤病诊断.
