一个基于超声波放射学的共平面机器学习模型,用于评估糖尿病外围神经病变
Yanfeng Jiang1, Rongli Peng1, Xiatian Liu1
1Department of Ultrasound, Shaoxing People's Hospital (The First Affiliated Hospital, Shaoxing University), Shaoxing, China (Y.J., R.P., X.L., H.S., Z.Y., Z.J.).
Academic radiology
|August 9, 2025
概括
这项研究开发了一种机器学习模型,将横向和纵向视图的超声波图像结合起来,以改善糖尿病外围神经病变 (DPN) 的检测. 同平面模型显著提高了DPN的诊断准确性,提供了一个有前途的非侵入性工具.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 神经学 神经学
背景情况:
- 检测糖尿病外围神经病变 (DPN) 对于预防严重并发症至关重要.
- 机器学习 (ML) 和放射学在DPN诊断方面表现有前途,但它们与超声波的应用有限.
- 在DPN中进行放射性特征提取的最佳超声平面 (纵向与横向) 仍然不清楚.
研究的目的:
- 分析和比较神经横向和纵向超声平面的放射性特征.
- 开发一个共同平面融合ML模型,以提高DPN诊断准确度.
主要方法:
- 在两个机构分析了262名糖尿病患者的516英尺.
- 从横向和纵向的小腿神经平面提取了1316个放射性特征.
- 六个ML算法使用单个和组合平面构建了放射学模型;使用ROC,校准曲线和DCA评估了性能. SHAP分析解释了模型预测.
主要成果:
- 同平面支矢量机 (SVM) 模型实现了优异的AUC:0.90 (训练),0.88 (内部测试) 和0.70 (外部测试).
- 这些结果显著优于单平面模型 (P < 0.05).
- 校准曲线和DCA表明模型适合性良好,具有潜在的临床实用性.
结论:
- 同平面SVM模型,整合横向和纵向放射性特征,证明了DPN预测的最佳性能.
- 这种方法显著提高了DPN的诊断效率.
- 该模型显示出作为临床DPN评估的强大,非侵入性工具的前景.
