基于预测放射学的集体机器学习方法在CT肺结节诊断中
1Department of Information Technology, National Institute of Technology Srinagar, Srinagar, 190006, India. arooj@nitsri.ac.in.
Journal of the Egyptian National Cancer Institute
|October 12, 2025
概括
这项研究表明,从CT扫描中提取的放射学特征可以使用机器学习有效地分类肺结节. 组合子空间KNN实现了最高的准确性,有助于早期检测肺癌.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 计算机断层扫描 (CT) 对于肺癌诊断至关重要,这是癌症死亡的主要原因.
- 放射学和机器学习 (ML) 对识别肺结节有希望,但需要特征选择.
- 肺结节的准确分类对于及时诊断和治疗至关重要.
研究的目的:
- 为了研究放射学特征对基于CT的肺结节的分类的疗效.
- 应用ML技术来区分良性和恶性肺结节.
- 确定最佳的放射学特征,以提高诊断准确度.
主要方法:
- 利用肺图像数据联盟 (LIDC) 数据库与1018个CT癌症病例.
- 使用波段包转换提取的放射学特征,几何特征,GLRLM,GLCM和GLDM.
- 使用增强和袋装集体分类树用于特征选择 (BACET,BOCET).
- 使用ML模型进行分类的节点,包括支持矢量机器,决策树和各种组合方法.
主要成果:
- 使用BACET特征选择组合子空间KNN实现了最高的AUROC (93.4%),精度 (88.3%) 和F1得分 (85.2%).
- FGSVM表现出最好的灵敏度 (97.1%).
- 鲁斯博塞特获得了最好的精度 (93.4%) 和特异性 (83.1%).
结论:
- 放射学分析与ML分类器相结合,在CT扫描上有效分类肺结节.
- 拟议的方法有助于临床医生为早期肺癌检测提供决策支持.
- 集体子空间KNN和其他ML模型显示出在瘤学中进行定量CT图像分析的巨大潜力.
