可解释的机器学习模型,以根据传统的MRI特征和放射学来区分子宫肉瘤与非典型的乳腺瘤
Zhong Yang1, Wangyang Sun1, Yanran Jiang1
1Department of Graduate, Bengbu Medical University, Bengbu, Anhui 233030, China (Z.Y., W.S., Y.J., K.G., C.W.).
Academic radiology
|November 13, 2025
概括
整合MRI特征和放射学的机器学习模型可以在手术前准确地区分子宫肉瘤 (US) 和非典型乳腺瘤 (ALM). 这种可解释的方法增强了诊断的信心,并指导了精确的患者管理.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的机器学习
- 瘤学 诊断 诊断 瘤学
背景情况:
- 精确的子宫肉瘤 (US) 和非典型乳腺瘤 (ALM) 的术前区分对于适当的治疗至关重要.
- 传统的磁共振成像 (MRI) 功能可能是主观的,可能并不总是提供明确的诊断.
- 机器学习 (ML) 为客观和增强的诊断准确性提供了潜力.
研究的目的:
- 开发可解释的ML模型,整合常规MRI特征和放射学,用于手术前区分US和ALM.
- 评估这些模型的性能和临床实用性.
- 提高临床医生的信任和指导手术规划.
主要方法:
- 160名患者 (47名美国人,113名ALM) 的回顾性分析,分为训练和测试队列.
- 对10个MRI特征的评估和从T2WI和DWI序列中提取放射性特征.
- 开发和比较五个ML模型 (LR,RF,XGBoost,SVM,GNB) 使用MRI预测器和放射性评分.
- 使用AUC,校准曲线和决策曲线分析 (DCA) 的评估;通过SHAP框架进行解释.
主要成果:
- 多变量分析确定了T2WI上的异质超强度,不清楚的瘤边界,中断的子宫腔和低的ADC值作为显著的MRI区分.
- XGBoost模型表现出优异的性能,AUC为0.991 (训练) 和0.909 (测试).
- SHAP分析显示ADC值是最有影响力的预测因素,其次是瘤边界,T2WI信号强度,radscore和子宫内膜腔.
结论:
- 集成MRI生物标志物和放射学的可解释ML模型为手术前区分US和ALM提供了一个透明和临床可行的工具.
- SHAP框架量化了特征贡献,弥合了ML中的"黑子"差距,并促进了临床医生的信任.
- 这种方法使临床医生能够制定精确的干预措施,例如量身定制的手术规划,以避免疑似US的化.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.3K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
478
