空间分辨率对机器学习放射学模型在肺腺癌的诊断性能的影响:用于预测侵入性的正常和高空间分辨率成像之间的比较

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 侵入性腺癌 (IVA) 诊断依赖于准确的成像解释.
• 机器学习放射学 (MLR) 提供了提高诊断准确性的潜力.
• 图像数据的空间分辨率可能会影响MLR模型的性能.

研究的目的:

• 开发和验证用于IVA预测的MLR模型,使用正常空间分辨率 (NSR) 和高空间分辨率 (HSR) CT数据.
• 将基于HSR的MLR模型的诊断性能与基于NSR的模型进行比较.
• 评估HSR-MLR模型对独立放射科医生的诊断性能的影响.

主要方法:

• 使用CT图像与NSR (512矩阵) 和HSR (2048矩阵) 数据重建的回顾性多中心研究.
• 开发两种MLR模型 (NSR和HSR),使用具有显著放射性特征的随机森林.
• 在单独的测试队列中验证模型,并与HSR-MLR模型和无HSR-MLR模型的放射科医生的性能进行比较.

主要成果:

• 基于HSR的MLR模型在训练和测试组中都显示出明显高于NSR模型的AUC.
• 放射科医生1在使用HSR-MLR模型时显著提高了精度和灵敏度.
• 放射科医生2与HSR-MLR模型的精度和灵敏度有类似的,但不显著的改善,两位放射科医生的特异性都不显著下降.

结论:

• 基于HSR的MLR模型显著提高了IVA诊断性能,支持放射科医生.
• 该HSR模型提高了精度和灵敏度,而不会影响放射科医生的性能.
• 一个潜在的缺点是特异性降低,这可能导致错误阳性增加,随后不必要的检查或过度治疗.