基于放射性和临床信息的机器学习模型可以提高放射科医生的骨瘤诊断性能吗? 一个MRMC研究研究

科学领域:

• 医疗成像中的人工智能
• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗保健中的机器学习

背景情况:

• 准确的骨瘤手术前诊断对于有效的治疗计划至关重要.
• 传统的诊断方法在很大程度上依赖于医生对放射和临床数据的解释.
• 机器学习 (ML) 具有增加医学成像诊断能力的潜力.

研究的目的:

• 评估ML模型在改善医生对骨瘤的诊断性能方面的有效性.
• 评估可解释的ML模型作为骨瘤诊断中的临床决策辅助工具的实用性.

主要方法:

• 从骨瘤患者的放射和临床数据的回顾性收集.
• 开发和验证多个ML模型,根据曲线下的面积 (AUC) 选择极端梯度增强 (XGBoost).
• 两次阅读实验涉及七名医生进行了比较独立阅读与ML辅助阅读使用一个独立的测试集.

主要成果:

• 结合临床信息和放射学特征的XGBoost模型实现了最高的分类性能 (AUC = 0.905).
• 可解释的算法确定了灰色水平共发生矩阵 (GLCM) 特性作为高度预测.
• 与独立阅读相比,ML辅助阅读显著改善了医生诊断性能,平均AUC增加0.037 (P=0.047).

结论:

• 从膝盖X射线图像中整合放射学和临床数据的ML模型可以有效地帮助临床医生.
• 这些模型有助于手术前诊断良性和恶性骨瘤,提高诊断准确度.
• 这项研究表明,人工智能作为放射科医生在骨瘤表征中的支持工具的价值.