在多中心大规模研究中,机器学习模型用于区分Xanthogranulomatous胆囊炎和胆囊癌

科学领域:

• 肝胆道手术是肝胆道的手术.
• 医疗人工智能的人工智能
• 诊断成像分析 诊断成像分析

背景情况:

• 在手术前区分胆囊癌和胆囊癌是临床上具有挑战性的,因为表现类似.
• 准确的手术前诊断对于适当的治疗计划和患者的结果至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型 (LIDGAX) 用于XGC和GBC的手术前分化.
• 与现有方法和专家放射科医生相比,评估LIDGAX的诊断性能和临床实用性.

主要方法:

• 一项多中心的回顾性研究,涉及1246名患者 (554名XGC,692名GBC).
• 使用手术前临床,成像和实验室数据开发LIDGAX ML模型.
• 多变量后勤回归和最小绝对收缩和选择操作员分析确定了关键的预测变量.
• 进行了内部和外部验证,与其他ML模型和放射科医生进行比较,并进行了校准/决策曲线分析.

主要成果:

• 利达克斯 (LIDGAX) 获得了高性能,AUC值为0.94 (内部) 和0.88 (外部验证).
• 该模型表现优于其他五种ML模型,并证明了卓越的临床实用性.
• 与放射科医生相比,LIDGAX提高了灵敏度,特异性和平衡的准确性,同时显著减少了诊断时间.

结论:

• 开发的LIDGAX模型提供了一个非侵入性和准确的工具,用于XGC和GBC的手术前分化.
• 利达克斯显示出临床翻译的强大潜力,提高了肝胆外科手术的诊断能力.
• 开源部署LIDGAX确保了临床应用的可访问性和持续的高性能.