一个端到端可解释的基于机器学习的框架,用于早期诊断胆囊癌,使用多模式医疗数据
Huiyu Zhao1, Chuang Miao1, Yidi Zhu2,3
1State Key Laboratory of Advanced Optical Communication Systems and Networks, Intelligent Microwave Lightwave Integration Innovation Center (imLic), Department of Electronic Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China.
BMC cancer
|July 16, 2025
概括
准确的早期胆囊癌 (GBC) 诊断是一项挑战. 整合成像和临床数据的新机器学习框架显著提高了GBC检测的准确性,有助于瘤诊断.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 准确的胆囊癌 (GBC) 早期诊断仍然是瘤学的重大挑战.
- 关于使用多种数据类型进行全面的GBC分类的研究有限.
- 这项研究解决了对GBC综合诊断框架的需求.
研究的目的:
- 用成像和非成像医疗数据开发GBC的综合诊断框架.
- 增强CT成像的特征提取和融合,使用一种新的GHL-Net.
- 提高GBC诊断的准确性和可解释性.
主要方法:
- 一项对298名患有胆囊疾病的患者或志愿者进行的回顾性研究.
- 开发一个端到端可解释的框架,整合CT成像,人口统计,瘤标志物,凝血和血液测试.
- 利用了一种全新的全球混合本地网络 (GHL-Net) 进行成像数据和集体学习,以实现多模式融合.
- 应用可解释的方法用于临床理解和使用准确度,AUC,MCC和其他指标验证的性能.
主要成果:
- 拟议的框架在二进制和多类GBC分类中都胜过了比较方法.
- 在二进制分类中实现了高性能:95.24%的准确性,93.55%的灵敏性,96.87%的特异性,96.67%的精度,95.08%的F1得分,0.9591的ROC-AUC,0.9636的PR-AUC和0.9051的MCC.
- 可解释的方法证实了该模型的决策过程的临床相关性,并得到了废除研究的支持.
结论:
- 基于机器学习的框架有效地提高了GBC诊断的准确性.
- 开发的框架显示了在诊断其他癌症类型方面可能产生重大影响的潜力.
- 这种方法为改善早期癌症检测和患者的治疗结果提供了一个有希望的工具.
