使用机器学习算法预测用于乳腺纤维腺瘤的聚焦超声波手术治疗的超声波能量

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 生物物理学的生物物理.

背景情况:

• 聚焦超声波手术 (FUS) 为良性乳腺纤维腺瘤提供了一个非侵入性的治疗选择.
• 精确预测超声波能量对于优化FUS治疗疗效和安全至关重要.
• 目前用于能源预测的方法可能无法充分利用综合临床和成像数据的潜力.

研究的目的:

• 开发和验证一个预测模型,用于估计乳腺纤维腺瘤FUS治疗所需的超声波能量.
• 评估将临床和超声波放射学特征整合到此预测模型中的实用性.
• 为指导FUS程序建立一个可解释的模型.

主要方法:

• 追溯分析87名患有154例良性乳腺瘤的患者,这些患者接受了FUS治疗.
• 124个瘤的放射性分析,数据分为培训 (96) 和验证 (28) 集.
• 机器学习算法的应用用于特征选择和预测模型构建,包括残余和ICC分析.

主要成果:

• 这项研究收集了11个临床和68个超声波放射学特征 (共79个变量).
• 包装树模型表现出卓越的预测准确性和解释能力,具有稳定的RMSE和高R平方.
• 选择了一组最佳的33个特征,包装树模型获得了最高的ICC值 (0.56).

结论:

• 成功建立了一个可解释的机器学习模型,用于预测乳腺纤维腺瘤中的FUS超声波能量.
• 该模型整合了临床和超声波放射学特征,增强了预测能力.
• 这种方法有望优化FUS治疗计划和乳腺纤维瘤的结果.