基于超声波组图分析的机器学习模型,用于在唾液腺形腺瘤中进行前手术分类,以超声波组图分析为基础

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 精确的唾液腺形腺瘤 (SPA) 结构亚型的术前区分对于有效的治疗计划至关重要.
• 目前的诊断方法可能缺乏最佳治疗策略所需的精度.

研究的目的:

• 开发和验证机器学习 (ML) 模型,使用超声波组图分析对SPA stromal亚型进行分类.
• 在此分类任务中评估各种ML算法和后勤回归的性能.

主要方法:

• 分析了256名SPA患者的队列,分为两组 - - 低瘤和高瘤.
• 最小绝对收缩和选择操作员 (LASSO) 回归确定了模型开发的六个关键特征.
• 使用逻辑回归和八个ML算法构建了预测模型,通过AUC,准确性,精度,回忆和F1得分来评估性能.

主要成果:

• 支持向量机 (SVM) 模型实现了0.827的最高曲线下面积 (AUC),精度为0.798.8.
• 后勤回归也显示出强的表现,AUC为0.818.
• 决策曲线分析证实了基于SVM的模型的卓越临床实用性.

结论:

• 使用超声波组图分析的机器学习模型提供了一个精确的,非侵入性的方法,用于SPA stromal亚型的手术前分类.
• 这种方法可以帮助完善SPA患者的治疗计划.