机器学习用于分级预测和高度质瘤的生存分析
Xiangzhi Li1,2,3, Xueqi Huang2, Yi Shen3
1Taizhou Key Laboratory of Minimally Invasive Interventional Therapy & Artificial Intelligence, Taizhou Branch of Zhejiang Cancer Hospital (Taizhou Cancer Hospital), No.50, Zhenxin Road, Taizhou, 317502, China.
Scientific reports
|May 15, 2025
概括
一个新的磁共振成像 (MRI) 放射学模型有效地分类高度质瘤 (HGG). 堆叠融合机器学习方法实现了最高的准确性,证明了MRI.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 机器学习在医学中的应用
背景情况:
- 高度质瘤 (HGG) 的分类对于治疗计划至关重要.
- 精确区分质瘤等级 (例如,三级与四级) 仍然是一个挑战.
- 磁共振成像 (MRI) 为定量分析提供了丰富的数据.
研究的目的:
- 开发和验证基于MRI的放射学模型,用于HGG分类.
- 确定最佳的机器学习 (ML) 方法来区分HGG等级.
- 评估各种ML模型在HGG.分类中的性能.
主要方法:
- 对184名HGG患者 (59名III级,125名IV级) 的回顾性分析.
- 从T1加权MRI (T1WI) 中提取放射性特征.
- 应用LASSO用于特征选择和七个ML分类器 (逻辑回归,XGBoost,决策树,随机森林,Adaboost,梯度提升,堆叠融合).
- 用于解决数据不平衡的SMOTE技术.
主要成果:
- 在非融合模型中,XGBoost分类器表现最好.
- 通过解决数据不平衡,SMOTE提高了分类器的性能.
- 堆叠融合模型实现了最高的性能,AUC为0.95,灵敏度为0.84,准确度为0.85,F1得分为0.85.
结论:
- 基于MRI的定量放射学特征在HGG分类中表现强.
- XGBoost模型优于其他非融合分类器.
- 堆叠的融合模型显著优于HGG等级的非融合方法.
