使用机器学习预测多针脊柱和副脊柱瘤的射频除大小,使用机器学习

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 脊柱和副脊柱瘤的最小侵入性治疗非常重要.
• 预测除区域的大小对于治疗的有效性和安全性至关重要.
• 优化废弃参数需要高效的计算模型.

研究的目的:

• 开发机器学习和有限元模型,用于预测脊髓瘤中的多针切除大小.
• 利用遗传算法来优化剥离参数.
• 为了比较不同神经网络模型的性能,以预测剥离.

主要方法:

• 为脊柱瘤切除创建了一个2D,两针的有限元模型.
• 在不同的接近角度,电极尺寸,温度和时间下分析了消光大小.
• 训练和比较了背向传播 (BP),辐射基函数 (RBF) 和卷积神经网络 (CNN).

主要成果:

• 在测试组中,BP神经网络表现出卓越的预测准确性,具有最低的根平均平方误差 (RMSE).
• 与RBF和CNN相比,BP神经网络显示RMSE的减少分别为55.06%和56.71%.
• 调整针角有效控制了剥离形态,并保护了周围的组织.

结论:

• 由于其概括能力,BP神经网络非常适合预测废弃大小和优化参数.
• 整合机器学习和遗传算法显著提高了多针切除研究的效率.
• 精确控制除参数可以改善脊柱瘤的治疗结果.