人类大脑组织中介电性质的测量和分类:使用机器学习区分质瘤与正常组织

科学领域:

• 生物医学工程 生物医学工程
• 神经瘤学神经瘤学
• 计算生物学 计算生物学

背景情况:

• 准确的手术内质瘤边缘检测对于手术切除至关重要.
• 传统的方法,如冷切割和MRI是耗时和复杂的.
• 质瘤手术需要一个快速,准确的辅助诊断工具.

研究的目的:

• 开发和验证用于质瘤的快速手术内诊断方法.
• 为了利用介电性质和机器学习的差异来进行瘤识别.
• 为神经外科医生提供改进的工具,以精确切除质瘤.

主要方法:

• 使用同轴探针测量了81种质瘤和47种正常脑组织的介电性质 (1MHz-4GHz).
• 拉索法用于特征选择和维度缩小.
• 四个机器学习模型 (NB,SVM,KNN,ANN) 进行了训练和评估,用于样本分类.

主要成果:

• 质瘤组织比正常的大脑组织具有明显更高的介电性质 (22%更高的导电率,18%更高的导电率).
• 该K-最近邻居 (KNN) 模型在测试组中实现了90%的分类准确性.
• 人工神经网络 (ANN) 模型显示最高的AUC值为0.95.

结论:

• 介电性质与机器学习相结合,可以快速准确地识别手术内质瘤.
• 这种方法提供了一种新的辅助诊断技术,用于精确检测质瘤边缘.
• 该研究支持介电分析和ML用于神经外科指导的临床应用.