放射学和机器学习算法的诊断性能在区分成年类型的扩散性质瘤中的2-3级质瘤与质细胞瘤之间

科学领域:

• 神经瘤学神经瘤学
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 质瘤分级对于患者的预后和治疗计划至关重要.
• 在成人类型的扩散性质瘤中,精确区分低级质瘤 (世卫组织第2-3级) 和质母细胞瘤 (世卫组织第4级) 是必不可少的.
• 神经成像和人工智能的最新进展为改善诊断准确性提供了新的途径.

研究的目的:

• 评估机器学习 (ML) 算法在区分世界卫生组织 (WHO) 2-3级质瘤和WHO 4级质母细胞瘤方面的有效性.
• 评估从磁共振成像 (MRI) 中提取的放射性特征的性能,用于质瘤分级.
• 在成年类型的扩散性结质瘤中确定最佳的ML算法来完成这一特定的分类任务.

主要方法:

• 从92名患者 (2017-2023) 的手术前MRI扫描的回顾性分析.
• 使用3D Slicer软件对明显扩散系数 (ADC),T2加权 (T2W) 和对比度增强的T1加权 (T1W-CE) 图像进行瘤细分.
• 提取和选择107个放射性特征,然后使用10种不同的ML算法进行分类.

主要成果:

• 对于组合特征组,AdaBoost算法实现了0.83 (95%CI:0.77-0.90) 的接收器操作特征曲线 (AUC) 下的最高面积.
• 随机森林算法在使用T1W-CE序列中的单个特征时显示出高AUC0.82 (95%CI:0.70-0.93).
• 这些结果表明,使用ML和放射学成功区分了质瘤等级.

结论:

• 机器学习算法,特别是AdaBoost和随机森林,可以有效地区分世卫组织2-3级质瘤和质母细胞瘤 (世卫组织4级).
• 从MRI中提取的放射性特征为质瘤分类提供了宝贵的信息.
• 限制包括专注于4级类别内的质母细胞瘤,以及缺乏外部验证,因此需要进一步研究.