机器学习方法使用放射学特征来区分口腔致囊和瘤

科学领域:

• 口腔和面放射学 口腔和面放射学
• 医学成像信息学 医疗成像信息学
• 机器学习在医学中的应用

背景情况:

• 中的牙病变虽然往往是良性的,但需要准确的诊断才能进行适当的治疗.
• 治疗的变化需要精确地对囊和瘤进行分类.

研究的目的:

• 为了评估机器学习 (ML) 模型在分类瘤和瘤中的有效性.
• 为了比较利用计算机断层扫描 (CT) 和磁共振成像 (MRI) 放射性特征的ML模型的性能.

主要方法:

• 从CT图像中提取了放射性特征,并从患有牙病变的患者的扩散权重MRI中提取了明显扩散系数 (ADC) 地图.
• 一个随机的森林ML模型使用70%的数据进行训练和优化,并在30%的持久测试集上进行验证.
• 使用交叉验证的准确性,精度,回忆和F1分数来评估性能.

主要成果:

• 基于CT的ML模型实现了中等准确性 (0.60在测试组).
• 基于MRI (ADC地图) 的ML模型显示出显著更高的性能,测试集精度为0.94,精度,回忆和F1得分为0.87.
• ML模型,特别是那些使用MRI放射性特征的模型,显示了对分类牙病变的强大潜力.

结论:

• 机器学习模型,特别是当将MRI放射性特征 (如ADC地图) 纳入时,可以有效地区分各种牙病变.
• 这种方法有望提高诊断准确度,并指导病理的治疗决策.