基于多相计算机断层扫描的放射学分类器的开发和验证,用于区分 retroperitoneal非脂肪分离性脂瘤和leiomyosarcoma

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 机器学习在医学中的应用

背景情况:

• 在手术前区分逆皮质分离性脂肪瘤 (DDL) 和乳腺肌肉瘤 (LMS) 是很有挑战性的.
• 准确的手术前分化对于治疗计划和患者管理至关重要.

研究的目的:

• 开发和验证一个计算机断层扫描 (CT) 放射学分类模型,以区分背皮质非脂肪DDL和LMS.
• 评估多相CT特征在提高分类准确性的性能.

主要方法:

• 追溯分析78名DLD和51名LMS患者,病理确诊.
• 从多相 (非对比,动脉,静脉) CT 扫描中提取的放射性特征.
• 使用LASSO回归进行特征选择,然后开发后勤回归 (LR),支向量机 (SVM),随机森林 (RF) 和极端梯度增强 (XGBoost) 模型.

主要成果:

• 多相SVM模型实现了最高的性能,AUC为0.857,准确度为0.847,灵敏度为0.812,特异性为0.902.
• 多相CT集成显著优于SVM和LR的单相模型.
• 在多相模型中,SVM表现出与RF和XGBoost相比更好的区分能力.

结论:

• 基于CT放射学的分类显示出对预测 retroperitoneal DDL和LMS的组织类型的非侵入性预测有希望.
• 整合多相CT功能可提高诊断准确性和可靠性.
• 需要在更大的多中心队列中进行进一步验证,以确认临床效用.