机器学习模型基于CT输入学,用于区分性结肠炎和结肠类克罗恩病,使用肠壁,介质脂肪和内脏脂肪的特征

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 炎症性肠病 (IBD) 的诊断可能具有挑战性.
• 区分性结肠炎 (UC) 和结肠克罗恩病 (CD) 对于治疗至关重要.
• 计算机断层扫描 (CTE) 提供了详细的成像洞察力.

研究的目的:

• 开发和评估放射性机器学习模型,以区分UC和结肠CD.
• 为了利用肠壁,介质脂肪和内脏脂肪的CTE特征.
• 用ROC曲线下的面积 (AUC) 来评估模型性能.

主要方法:

• 对116名IBD患者 (68名UC,48名CD) 的回顾性分析.
• 从静脉阶段CTE图像中提取放射性特征.
• 使用ICC,相关性,SelectKBest和LASSO回归进行特征选择.
• 支持矢量机 (SVM) 模型的构建和评估.

主要成果:

• 综合放射性模型的AUC达到0.857 (95% CI,0.732-0.982).
• 在测试队列中,灵敏度为0.762,特异性为0.857.
• 个别区域模型显示AUC从0.707到0.847;肠壁模型具有最佳校准.

结论:

• 放射性机器学习模型可以有效地区分UC和结肠CD.
• 由CTE衍生的放射性特征对非侵入性IBD亚型定型具有前景.
• 对于临床应用,需要进一步验证.