使用18F-FDG PET/CT对良性和恶性上腺病变进行基于机器学习的区分:两阶段分类和SHAP解释研究

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:

• 区分良性上腺病变和恶性上腺病变是一项挑战,特别是在图像不清晰的瘤患者中.
• 机器学习 (ML) 模型为使用成像和临床数据对上腺病变进行分类提供了一个潜在的解决方案.

研究的目的:

• 开发和解释ML模型,使用18F-FDG PET/CT成像和临床参数对上腺病变进行分类.
• 为了区分良性与恶性上腺病变和亚型恶性病变 (肺癌转移与淋巴瘤).

主要方法:

• 追溯分析255名患者的18F-FDG PET/CT扫描.
• 提取成像特征 (SUVmax,SUVpeak,直径,CT衰减,T/L SUVmax) 和临床变量.
• 培训和评估7个ML模型与10倍交叉验证和SHAP分析的特征解释.

主要成果:

• 整体ML模型实现了良性/恶性分类的AUC>0.99,Bagging显示100%的回忆.
• 瘤与肝脏的SUVmax比率 (T/L SUVmax),上腺SUVmax和CT衰减是关键预测因素.
• 人工神经网络 (ANN) 获得了恶性瘤亚型的最高AUC (0.887),揭示了淋巴瘤和肺转移的独特代谢模式.

结论:

• 使用PET/CT衍生的特征的ML模型提供了准确和可解释的上腺损伤分类.
• 代谢和解剖学数据的整合提高了诊断准确度.
• SHAP分析确保了临床透明度,支持个性化的患者管理策略.