基于CT和MRI的无监督机器学习算法的价值,用于预测肉症
Huayan Zuo1, Qiu Bi2, Xiaolong Liu3
1Department of MRI the First People's Hospital of Yunnan Province, The Affiliated Hospital of Kunming University of Science and Technology, Kunming, China.
Frontiers in public health
|October 13, 2025
概括
使用计算机断层扫描 (CT) 数据的无监督机器学习模型在预测萨科佩尼亚方面表现出高效. 基于CT的Otsu和高斯混合模型 (GMM) 算法实现了曲线下的面积 (AUC) 值超过0.95,优于基于MRI的模型.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的机器学习
- 麻症研究研究 麻症研究
背景情况:
- 骨肌肉质量和力量的逐渐丧失,即萨尔科佩尼亚,构成了严重的健康挑战.
- 准确,及早地发现肉类是及时干预和管理的关键.
- 无监督机器学习为医疗成像数据的自动分析提供了潜力.
研究的目的:
- 评估无监督机器学习算法的有效性 (高斯混合模型,K-means,Otsu) 以预测肉症.
- 用计算机断层扫描 (CT) 与磁共振成像 (MRI) 数据来比较这些算法的性能.
- 为了确定最准确和最稳定的算法来检测萨科佩尼亚.
主要方法:
- 对191名肉症患者和327名对照患者的回顾性分析.
- 在CT和MRI图像上,在L3/4处手动划分准脊椎肌肉.
- 使用高斯混合模型 (GMM),K-means和Otsu算法进行自动细分.
- 用于预测建模的物流回归和用于性能评估的曲线下的面积 (AUC).
- 模型稳定性评估的五倍交叉验证.
主要成果:
- 基于CT的无监督算法在萨尔科佩尼亚预测方面超过了基于MRI的算法.
- 基于CT的Otsu模型实现了最高的预测性能 (AUC 0.986培训,0.958验证).
- 基于CT的GMM显示出强大的性能 (AUC 0.990训练,0.903验证) 和优越的稳定性.
- 基于CT的K-平均值也表现出预测能力 (AUC 0.727培训,0.772验证).
结论:
- 使用CT数据的无监督机器学习模型对于预测肉症非常有效.
- 基于CT的Otsu和GMM模型显示出异常的疗效,AUC超过0.95.
- 这些发现支持使用基于CT的机器学习来强大检测sarcopenia.
