基于放射学的机器学习在内生殖细胞瘤的歧视中的应用
Zanyong Tong1, Hongting Jiang1, Yunying Yang2
1Department of Radiology, Children's Hospital of Chongqing Medical University, National Clinical Research Center for Child Health and Disorders, Ministry of Education Key Laboratory of Child Development and Disorders, China International Science and Technology Cooperation Base of Child Development and Critical Disorders, Chongqing Key Laboratory of Child Neurodevelopment and Cognitive Disorders, Chongqing, China.
使用放射学的机器学习可以非侵入性地区分生殖细胞瘤与非生殖细胞胚胎细胞瘤 (NGGCTs). 放射学模型显示出高精度,表明在内生殖细胞瘤 (ICGCTs) 中临床决策的潜在工具.
科学领域:
- 神经瘤学神经瘤学
- 医学成像医学成像
- 机器学习在医学中的应用
背景情况:
- 胚胎细胞瘤 (GCTs) 是一个重要的脑瘤群.
- 细菌瘤对治疗的反应很强,因此准确的诊断至关重要.
- 区分胚芽瘤与非胚芽细胞瘤 (NGGCTs) 影响治疗策略.
研究的目的:
- 开发和验证基于放射学的机器学习模型,以区分内胚芽瘤与NGGCT.
- 为了评估多序MRI放射学特征的诊断性能.
- 评估临床特征对放射学模型的附加值.
主要方法:
- 对141名内生殖细胞瘤患者 (ICGCTs) 的回顾性分析.
- 从各种MRI序列 (T1WI,T2WI,T2-FLAIR,DWI,ADC,对比增强T1WI) 中提取放射特征.
- 应用特征选择 (LASSO) 和分类 (LR) 方法来构建和测试模型,包括联合放射学-临床模型.
主要成果:
- 最优的多序放射学模型实现了0.823 (内部) 和0.804 (外部) 的AUC.
- 结合放射学和临床模型的AUC略有改善,为0.838 (内部) 和0.809 (外部).
- 仅放射学模型和组合模型之间没有发现显著差异,这表明临床特征的附加值有限.
结论:
- 应用于放射学的机器学习提供了一种有希望的非侵入性方法,用于区分内胚芽瘤和NGGCT.
- 多序MRI的放射学分析可以有效地区分这些瘤类型.
- 这种方法可能有助于ICGCT患者的临床决策.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022