基于计算机断层扫描的放射学诊断模型,用于脂肪贫弱小脏瘤亚型
Seokhwan Bang1, Heehwan Wang2, Hoyoung Bae3
1Department of Urology, Seoul St. Mary's Hospital, College of Medicine, The Catholic University of Korea, Seoul 06591, Republic of Korea.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
使用CT放射学的机器学习有效地分类脏瘤亚型,包括清细胞RCC和血管肌脂瘤. 这种人工智能方法有助于个性化诊断和治疗计划在脏瘤学.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 区分缺乏脂肪的小脏质量是传统成像的挑战,由于重叠的放射性特征.
- 准确地分类脏瘤亚型对于有效的治疗计划至关重要.
研究的目的:
- 开发一种机器学习 (ML) 模型,使用CT衍生的放射性特征来分类五种常见的脏瘤亚型.
- 这些亚型包括清细胞细胞癌 (ccRCC),乳头细胞癌 (pRCC),染色体细胞癌 (chRCC),血管质瘤 (AML) 和细胞瘤.
主要方法:
- 对499名患有病理确认的瘤患者的回顾性分析,这些患者接受了对比度增强CT和切除术.
- 从1548个多相CT扫描中提取和分析放射性特征,专注于缺乏脂肪的瘤.
- 对五种ML分类器的评估:线性SVM,Rbf SVM,随机森林和XGBoost.
主要成果:
- XGBoost 展示了最好的分类性能.
- 获得了平均AU-PRC的0.757 (SE=0.033) 和脏血管瘤特定的AU-ROC的0.824 (SE=0.023).
- 性能超过了其他基于放射性特征的单相CTML模型.
结论:
- 基于放射学的ML对于分类脏瘤亚型是有效的,展示了AI在医学成像中的潜力.
- 单相CT和优化的功能为脏瘤学中的精准医学提供了宝贵的见解.
- 这些方法可以支持个性化诊断和治疗规划.
