贝叶斯增量回归树用于机器学习,在MRI上分类良性与非典型的脂质瘤

科学领域:

• 放射学 放射学是一门学科.
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 非典型的脂质瘤 (ALT) 是一种具有攻击性的脂肪瘤,需要与良性脂质瘤 (SL) 进行准确的区分.
• 组织病理学是黄金标准,但活检可以错过恶性瘤,需要进行完整的外科检查.
• 目前的MRI往往难以区分ALT和SL,强调需要改进诊断方法.

研究的目的:

• 使用MR放射性特征评估贝叶斯增量回归树 (BART) 模型的分类性能.
• 为了比较BART模型对ALT与SL的分类能力,与肌肉骨放射科医生的评估进行比较.

主要方法:

• 从5个机构的437名患者的T1加权MRI图像进行了回顾性分析.
• 从MRI图像中提取1132个放射性特征,用于模型训练.
• 将BART模型的性能与随机森林模型和经验丰富的放射科医生进行比较,使用10倍交叉验证.

主要成果:

• 巴特模型的准确度为77.07%,灵敏度为77.67%,特异性为76.50%.
• 该模型的性能与经验丰富的肌肉骨放射科医生的性能非常接近 (精度为78.72%,灵敏度为76.21%,特异性为81.11%).
• 外部验证显示,BART模型和人类阅读器之间的AUC差异很小 (0.04AUC点),AUC分别为84.72%和84.74%.

结论:

• 在区分ALT和脂瘤方面,BART模型的诊断性能与经验丰富的人类观察者相美.
• 机器学习应用于MR放射性特征,为提高软组织瘤分类的准确性提供了一个有前途的工具.
• 这种由人工智能驱动的方法有可能改善疑似脂质瘤的临床决策.