机器学习模型用于诊断术后PTC患者的淋巴结复发:放射性分析

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 手术后的乳头甲状腺癌 (PTC) 患者经常出现大的宫淋巴结,复杂的复发评估.
• 炎症或增生可能导致淋巴结扩大,模仿转移.

研究的目的:

• 评估计算机断层扫描 (CT) 成像和放射性分析的诊断性能,以确定手术后PTC患者的宫淋巴结复发.
• 开发一个宫淋巴结复发风险的预测模型.

主要方法:

• 在甲状腺切除术后对194名PTC患者进行了回顾性分析.
• 在693个淋巴结 (302个阳性,391个阴性) 的CT图像上对感兴趣区域 (ROI) 的划分.
• 使用Python提取放射性特征并开发Lasso,SVM和RF放射性模型;创建一个结合临床数据和放射性分数的名图.

主要成果:

• 从CT成像中确定了35个显著的放射性特征.
• 开发并验证了拉索,支持矢量机 (SVM) 和随机森林 (RF) 放射性模型用于复发检测.
• 使用ROC曲线,校准曲线和决策曲线分析 (DCA) 评估模型有效性.

结论:

• 对CT成像的放射性分析显示,在术后PTC患者中,有望在区分复发性宫淋巴结方面发挥作用.
• 开发的整合临床因素和放射性特征的诺莫грам可以帮助预测复发风险.
• 这些发现支持放射学作为术后PTC监测的非侵入性工具的潜力.