基于放射学模型的瘤和周围瘤特征与半监督和特权学习用于肺癌转移风险预测:多地点研究
Dimitrios Filos1, Ekaterini Xinou2, Ioanna Chouvarda1
1Laboratory of Computing, Medical Informatics and Biomedical Imaging Technologies, School of Medicine, Aristotle University of Thessaloniki, Greece.
Computer methods and programs in biomedicine
|August 30, 2025
概括
这项研究开发了一种人工智能模型,使用放射学和先进的机器学习来预测肺癌转移. 该模型准确地识别高风险患者,改善肺癌的早期发现和治疗计划.
科学领域:
- 瘤学中的放射学和机器学习
- 医学成像分析
- 癌症转移的预测
背景情况:
- 肺癌是全球癌症死亡的主要原因.
- 早期发现转移对于患者的治疗至关重要,但仍然具有挑战性.
- 现有的机器学习模型由于数据稀缺和异质性而面临局限性.
研究的目的:
- 在两年内开发一个基于放射学的可通用模型来预测肺癌转移.
- 整合监督,半监督和特权学习以提高预测准确度.
- 改善高风险肺癌患者的早期诊断.
主要方法:
- 从CT图像中提取放射性特征,包括瘤和周围区域.
- 应用特征协调以解决来自不同CT供应商的数据异质性.
- 开发了一个包含特征选择,半监督和特权学习的支持矢量机 (SVM) 模型.
- 在外部数据集上评估模型性能,并将其与人类专家预测进行比较.
主要成果:
- 最佳的瘤边缘分析延伸到瘤边缘的内侧3mm和外侧3mm.
- 在转移患者中,放射性特征表明异质性较高.
- 最终的SVM模型的准确性达到81.65%,超过了人类专家.
- 半监督和特权学习显著提高了模型的特异性和灵敏性.
结论:
- 结合临床数据的瘤边缘分析提供了对转移风险的见解.
- 综合学习技术大大提高了转移预测的SVM模型性能.
- 开发的模型有望识别患有转移风险的肺癌患者.
- 需要进一步验证模型的通用性和临床实用性.
更多相关视频
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.4K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
193
