基于放射学的病变分类:缓解批量效应与嵌套战斗协调

科学领域:

• 医学成像分析
• 计算病理学
• 在瘤学中的机器学习

背景情况:

• 越来越多的CT扫描导致更多的偶发性质,需要区分良性和恶性类型.
• 放射学显示改善质诊断的希望, 但被成像参数的变化阻碍, 如切片厚度.
• 有效的协调技术对于标准化放射学数据和提高诊断可靠性至关重要.

研究的目的:

• 进行全面的放射学分析,以评估切片厚度对囊与瘤的区别的影响.
• 利用机器学习技术提高质分类的准确性.
• 有助于更精确的患者治疗质的策略.

主要方法:

• 使用KITS23数据集599个增强对比度的CT扫描,分为训练 (60%) 和测试 (40%) 队列.
• 使用PyRadiomics提取放射性特征,使用6种特征选择方法和10种机器学习分类器.
• 实施了嵌套战斗协调技术,以解决机构间成像协议的变化.

主要成果:

• 使用嵌套战斗的协调使各种方法和分类器的曲线下面面积 (AUC) 值得到改善.
• 获得的最高AUC达到0. 95,显示出显著的模型性能提升.
• 平均AUC改善率在0.7%至7.7%之间,结果与现有文献中的基准值相当或超过.

结论:

• 基于放射学的机器学习模型具有提高瘤诊断准确性的巨大潜力.
• 协调技术,特别是嵌套战斗,对于开发可靠和可通用的预测模型至关重要.
• 这些进展可以改善临床实践中的患者管理策略.