多模型放射学和机器学习用于区分使用自动细分的脱脂上腺腺瘤与转移

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 使用自动CT细分的放射学显示出区分上腺腺瘤与转移的前景.
• 这些放射学方法的术前诊断价值需要进一步评估.

研究的目的:

• 评估基于自动细分的放射学诊断价值,以区分上腺腺瘤与转移.
• 使用回顾性临床和对比增强CT (CECT) 数据进行分析.

主要方法:

• 使用CECT数据对416名上腺质量 (大于10毫米) 的患者进行了回顾性分析.
• 上腺病变的自动细分,放射性特征提取 (PyRadiomics) 和特征选择 (MI,MRMR,LASSO).
• XGBoost机器学习模型包含临床和成像特征,使用AUC,精度和SHAP分析进行评估.

主要成果:

• 在XGBoost模型中,AUC值为0.81 (动脉阶段),0.81 (静脉阶段),0.88 (组合阶段) 和0.92 (组合阶段和临床指标).
• 五次交叉验证显示出强的表现,平均得分约为0.87-0.90.
• SHAP分析通过识别对模型预测有影响力的特征,提供了可解释性.

结论:

• 机器学习模型结合多式CT放射学和自动细分,改善了上腺瘤和转移之间的差异化.
• 这种方法促进了基于机器的临床特征提取,为诊断和治疗规划提供了可靠的基础.