计算机断层扫描放射学和机器学习用于预测基于组织学的肝硬化症得分
Winston T Chu1,2, Hui Wang1, Marcelo A Castro1
1Integrated Research Facility at Fort Detrick, Division of Clinical Research, National Institute of Allergy and Infectious Diseases, National Institutes of Health, B-8200 Research Plaza, Frederick, MD 21702, USA.
Diagnostics (Basel, Switzerland)
|September 27, 2025
概括
计算机断层扫描 (CT) 放射学和机器学习可以非侵入性地预测的肝硬化症严重程度. 这种方法为诊断脂肪肝疾病提供了侵入性活检的潜在替代方案.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 肝硬化症的诊断通常需要侵入性肝脏活检.
- 目前的非侵入性方法,如CT评估和简单的值,不足以准确地评估血病.
- 需要客观,定量和非侵入性方法来预测胆固醇病的严重程度.
研究的目的:
- 探索CT放射学和机器学习,以非侵入性预测的肝硬化症严重程度.
- 为了识别与组织学肥胖症得分相关的放射性特征.
- 评估机器学习模型在分类和量化肥症方面的潜力.
主要方法:
- 对42只吃的的CT图像进行了回顾性分析,这些有不同程度的肝硬化症.
- 从CT图像中提取放射性特征.
- 应用统计分析,特征选择和机器学习模型 (k-最近邻居) 与基于组织学的分数进行比较.
主要成果:
- 确定了12个与肥胖症得分相关的放射性特征.
- 基于放射学的等级聚类与肥胖症严重程度组保持一致.
- 该k-最近邻近模型在预测肥胖症方面取得了很高的准确性 (AUC ROC = 0.89 ± 0.09),确定了七个关键的放射性特征.
结论:
- 鉴定了肝硬化症的CT放射性特征.
- 机器学习和CT放射学可以客观地和非侵入性地预测肥胖症的严重程度.
- 结果显示,由于保存的病理生理学,有可能转化为对人类肝硬化症的评估.
