使用手术前磁共振成像技术,自动化机器学习区分垂体腺瘤和副细胞脑膜瘤
Elliott M Sina1, Kelsey Limage2, Emma Anisman1
1Sidney Kimmel Medical College, Thomas Jefferson University, Philadelphia, Pennsylvania, USA.
概括
自动机器学习使用MRI扫描精确地区分垂体腺瘤和状脑膜瘤. 这种人工智能工具显示出高性能和临床整合的潜力.
科学领域:
- 放射学中的人工智能
- 机器学习用于医学成像
- 瘤学和神经外科
背景情况:
- 自动机器学习 (AutoML) 有助于开发人工智能驱动的图像识别模型.
- 在治疗规划中,区分垂体宏腺瘤 (PA) 和状脑膜瘤 (PSM) 是至关重要的.
- 手术前的MRI对于诊断和分类副细胞瘤至关重要.
研究的目的:
- 评估AutoML模型在使用手术前MRI区分PA和PSM的诊断性能.
- 评估AutoML在分类状脑膜瘤特定亚型方面的准确性.
- 为了比较AutoML的疗效与传统的机器学习方法用于瘤分类.
主要方法:
- 使用1628个对比度增强的T1加权MRI序列进行了回顾性分析.
- 一个谷歌云VertexAI AutoML模型被开发和验证在内部和外部数据集.
- 性能指标,包括F1分数和AUPRC,在各种信心值下计算.
主要成果:
- 自动ML模型在0.5的信心值下实现了AUPRC总值为0.997和F1得分为97.55%.
- 在分类垂体宏腺瘤和状脑膜瘤时,观察到高准确度,F1得分超过96%.
- 脑膜瘤亚型的外部验证和亚分析显示出强大而一致的性能.
结论:
- 定制的AutoML模型在手术前MRI上准确地区分PA和PSM,优于传统的机器学习.
- 这代表了第一个专门为寄附性瘤分类设计的AutoML模型.
- 该模型的自动化和用户友好性质表明,它有可能无地集成到临床工作流程中.
