基于CT放射学的可解释机器学习模型,用于精确区分恶性和良性子宫内膜瘤:一项两中心研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 对子宫内膜癌 (EC) 的准确诊断对于有效的治疗计划至关重要.
• 在EC患者中区分恶性和良性疾病需要精确的诊断工具.
• 当前的诊断方法可能会从先进的计算方法中受益.

研究的目的:

• 开发和验证基于CT放射学可解释的机器学习 (ML) 模型,用于精确诊断EC患者的恶性和良性瘤.
• 通过使用六个ML算法来确定EC诊断的最佳放射学管道.
• 通过SHAP分析和特征映射等可解释性技术来增强临床理解和可用性.

主要方法:

• 在两个中心使用了83名EC患者 (46名恶性,37名良性) 的CT扫描.
• 使用Pyradiomics从细分感兴趣的区域提取了1132个放射性特征.
• 实现并比较了六个可解释的ML算法,选择随机森林作为最佳模型.
• 使用AUROC,AUPRC,灵敏度,特异性和其他指标评估诊断性能.
• 应用SHAP分析,特征映射,校准曲线和决策曲线分析,用于解释性和临床实用性评估.

主要成果:

• 随机森林模型在培训中实现了1.00的AUROC,在EC诊断测试中达到0.96.
• SHAP分析发现了与EC相关的显著放射性特征 (p < 0.05).
• 放射学特征图显示了其作为临床评估工具的可行性.
• 决策曲线分析证实了该模型的临床实用性,显示了比标准策略更高的净益.

结论:

• 一个基于CT放射学的可解释ML模型证明了对子宫内膜癌的高诊断性能.
• 开发的模型可以作为智能辅助工具来帮助EC诊断.
• 可解释的AI技术提高了放射学模型在瘤学中的临床适用性和可靠性.