构建一个多式人工智能模型,用于区分良性和恶性前部中瘤

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 多模式数据融合通过整合各种数据类型来提高疾病特征和诊断准确性.
• 人工智能 (AI) 和机器学习擅长从大型数据集中提取特征,用于医学研究.
• 区分良性瘤和恶性瘤是临床上的挑战.

研究的目的:

• 开发和评估一种多式人工智能模型,用于准确区分良性和恶性前部中瘤.
• 为了比较多式模式模型与单式模式模型 (仅限临床和成像数据) 的性能.

主要方法:

• 对104名前中前瘤患者 (2021-2025) 的回顾性分析.
• 数据收集包括临床,实验室,成像 (CT放射学) 和病理信息.
• 建立了四种模型:仅用于临床,仅用于成像,多式联络物流回归和多式联络随机森林.
• 模型性能使用接收机操作特征 (ROC) 曲线分析和全面指标进行评估.

主要成果:

• 基于后勤回归的多式联运模型实现了最高的性能,曲线下的面积 (AUC) 为0.94.
• 这种多式模式的表现优于仅用于临床 (AUC=0.899),随机森林融合 (AUC=0.881) 和仅用于成像 (AUC=0.844) 的模型.
• 重要的预测变量包括瘤大小,肌痛性肌痛病史,乳酸脱酶和癌胚抗原.

结论:

• 后勤回归多式人工智能模型在区分良性与恶性前间瘤方面表现出卓越的准确性.
• 这种方法有望改善手术前诊断和指导临床决策.
• 特定的临床和成像特征对这些瘤的差异诊断具有重要价值.