机器学习在粘附性囊炎诊断中胜过了深度学习:一个临床放射学模型将PD-T2 MRI和多式联络数据融合架构为桥梁
Yang Yang1, Ting Pan1, Cong Zhang2
1Department of Radiology, Fourth Hospital of Wuhan, 473 Hanzheng Street, Wuhan, Hubei, China.
European journal of radiology
|October 15, 2025
概括
整合MRI数据的新临床放射学模型显著改善了肩部粘附性囊炎 (ACS) 检测. 像LightGBM这样的机器学习模型为临床使用提供了卓越的稳定性和可解释性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习在医学中的应用
背景情况:
- 肩部粘着性囊炎 (ACS) 是一种慢性炎症状况,导致肩部硬.
- 由于传统成像和临床评估的局限性,早期诊断ACS具有挑战性.
研究的目的:
- 开发一个临床的多序放射学模型,用于增强ACS检测.
- 为了比较机器学习 (ML) 和深度学习 (DL) ACS诊断方法的性能.
主要方法:
- 放射性特征从444名患者的质子密度加权冠状 (PD-COR) 和T2加权松 (T2-SAG) MRI序列中提取.
- 开发和比较了ML模型 (SVM,XGBoost,LightGBM) 和DL模型 (ResNet-200,ViT).
- 一个结合的临床放射学模型被构建并使用AUC,精度,灵敏度和特异性进行评估.
主要成果:
- PD_T2_LightGBM模型在测试组上表现出高性能,AUC为0.886.
- 临床放射学组合模型显示了强大的概括,测试组的AUC为0.882.
- 与ML模型相比,DL模型实现了高灵敏度但较低的外部验证准确度.
结论:
- 整合临床和放射性特征显著提高了ACS的诊断精度.
- 传统的ML模型,如LightGBM在临床应用中提供了比DL模型更好的稳定性和可解释性.
- 未来的研究应该专注于更大的数据集和先进的融合技术,以改善ACS诊断.
