以放射学为基础的多种机器学习方法,用于调查垂体腺瘤中洞穴鼻腔中介壁入侵

科学领域:

• 神经外科 神经外科
• 放射学 放射学是一门学科.
• 在瘤学瘤学.

背景情况:

• 垂体腺瘤可以侵入洞穴鼻,使手术治疗复杂化.
• 准确的术前评估洞穴鼻持续入侵对于手术规划至关重要.

研究的目的:

• 开发和评估一个预测模型,以洞穴性鼻持续入侵在垂体腺瘤.
• 探索临床和放射学特征在预测瘤入侵方面的实用性.

主要方法:

• 从252名垂体腺瘤患者的临床和MRI数据的回顾性分析.
• 使用拉索回归和后勤回归提取和选择放射学特征.
• 使用十种机器学习算法开发临床,放射学和联合预测模型.

主要成果:

• 结合的临床和放射学模型使用LightGBM算法实现了最高的预测性能 (AUC 0.86,ACC 0.76).
• 显著的临床预测因素包括Knosp等级,瘤直径,脚状卫星瘤和断层入侵.
• 特定的放射学特征也对预测模型做出了重大贡献.

结论:

• 整合临床和放射学特征的机器学习模型有效地预测了手术前洞穴性鼻持续入侵.
• 该LightGBM算法证明了卓越的预测效率.
• 标的卫星瘤被确定为洞穴性鼻持续入侵的新型成像标志物.