使用基于CT的放射性分析区分圆形肺炎和初级肺癌的机器学习模型
Hasan Genç1, Mustafa Yildirim2
1Department of Radiology, Elaziğ Fethi Sekin City Hospital, Elaziğ, Turkey.
Medicine
|September 17, 2025
概括
机器学习模型使用计算机断层扫描 (CT) 放射性特征准确地区分了圆形肺炎和肺癌. 这种非侵入性方法有助于诊断,并减少不必要的程序.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 圆形肺炎在CT扫描上模仿肺癌,使诊断复杂化.
- 准确的区分对于防止侵入性手术至关重要.
- 放射学和机器学习为非侵入性诊断辅助提供了潜力.
研究的目的:
- 开发和验证机器学习模型,以区分圆形肺炎和原发性肺癌.
- 利用CT图像中的放射性特征来提高诊断准确度.
主要方法:
- 对48名患者 (24例肺炎,24例肺癌) 的回顾性研究.
- 从CT图像中提取107个放射性特征.
- 使用信息获取进行特征选择,确定5个关键特征.
- 7个机器学习分类器的培训和验证.
主要成果:
- 一些模型,包括纯粹的贝叶斯模型,实现了完美的分类 (AUC=1000).
- 在特征选择后,天真贝叶斯模型显示出高性能 (AUC=1.000,精度=0.979,灵敏度=0.958,特异性=1.000).
结论:
- 基于CT的放射学和机器学习有效地将圆肺炎与肺癌区分开来.
- 这些模型代表了放射性诊断的有希望的非侵入性工具.
- 这种方法可以减少诊断的不确定性,并指导临床决策.
