从非清晰细胞脏细胞癌中区分清晰细胞:一种使用对比增强超声波放射学的机器学习方法

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 将清细胞细胞癌 (ccRCC) 与其他瘤区分开来,对于适当的患者管理至关重要.
• 对比增强超声波 (CEUS) 提供了一种非侵入性成像方式,用于表征质.
• 机器学习 (ML) 方法在提高医学成像数据的诊断准确性方面表现有前途.

研究的目的:

• 评估一个机器学习模型的临床实用性,该模型包含CEUS放射学,用于区分ccRCC与非ccRCC.
• 为了比较基于CEUS的放射学,临床和综合模型在ccRCC歧视中的性能.

主要方法:

• 对292名经病理确认的细胞癌 (RCC) 亚型患者进行了回顾性分析,这些患者接受了CEUS.
• 从CEUS图像中提取皮质和脑膜阶段的放射学特征,然后使用各种ML算法 (逻辑回归,SVM等) 进行模型开发. ) 的情况.
• 开发一种使用CEUS显著特征的临床模型和一个整合放射学和临床数据的综合模型.

主要成果:

• 一个物流回归 (LR) 模型表现出高性能和稳定性.
• 放射学模型和组合模型在开发和验证组中都实现了与临床模型 (AUC < 0.85) 相比的更高的诊断性能 (曲线下面面积[AUC] > 0.92).
• 组合模型显示出优异的校准和临床实用性.

结论:

• 将CEUS放射学和临床特征集成到一个组合模型中,显著提高了区分ccRCC与非ccRCC的诊断性能.
• 这种方法提供了一种有价值的,非侵入性的工具,用于对质的术前表征.
• 这些发现支持先进的ML技术的临床实用性,应用于CEUS用于脏瘤分类.