使用头骨X射线图像与深度学习和机器学习分类器进行自动化脑膜瘤检测
Hyun Uk Kim1, Yoonsoo Choi2, Yeo Song Kim3
1College of Medicine, The Catholic University of Korea, Seoul, Republic of Korea.
Scientific reports
|November 17, 2025
概括
这项研究开发了一种新的工具,用于使用头骨X射线和机器学习来检测脑膜瘤. 混合模型对成本效益高,自动化诊断非常有希望,特别是在资源有限的环境中.
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:
- 脑膜瘤检测通常依赖于先进的成像,这可能是昂贵和难以获得的.
- 开发具有成本效益和可访问的脑膜瘤诊断工具至关重要.
研究的目的:
- 开发和评估使用头骨X射线图像检测脑膜瘤的新型自动诊断工具.
- 将深度学习 (EfficientNetB0) 与传统的机器学习分类器 (随机森林,XGBoost) 结合起来,以提高诊断性能.
- 评估使用头骨X射线作为脑膜瘤查的主要成像方法的可行性.
主要方法:
- 从脑膜瘤患者和对照对象的头骨X射线图像的回顾性收集.
- 使用了EfficientNetB0与转移学习和注意力机制作为深度学习的支柱.
- 集成提取深度学习功能与随机森林和XGBoost分类器用于混合模型开发.
- 使用精度,灵敏度,特异性,F1得分和AUROC评估模型性能,并进行内部和外部验证.
主要成果:
- 混合EfficientNetB0-Random Forest模型实现了高的内部验证性能:0.97准确度和0.999 AUROC.
- 外部验证表明,随机森林是0.74准确度和0.76AUROC的最佳分类器.
- 格拉德-CAM可视化证实了该模型的重点是针对脑膜瘤识别相关的部区域.
结论:
- 头骨X射线是一种可行的成像方式,用于自动检测脑膜瘤.
- 拟议的混合深度学习和机器学习方法提供了一个有希望的,具有成本效益的诊断工具.
- 这种方法具有显著的潜力,可以在资源有限的医疗保健机构中改善脑膜瘤诊断.
