使用超声波放射学与机器学习模型对良性和恶性非质量乳腺病变的歧视
Chunming Shi1, Huajun He1, Bin Chen1
1Department of Ultrasound, the First People's Hospital of Xiaoshan District, Hangzhou, China.
Journal of applied clinical medical physics
|December 29, 2025
概括
放射学和临床超声波数据的结合显著改善了非质量乳腺损伤的诊断. 这种方法增强了良性和恶性发现之间的区分,有助于临床决策.
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:
- 非质量乳腺病变 (NMLs) 存在诊断方面的挑战.
- 准确的手术前区分良性和恶性NML对于患者管理至关重要.
研究的目的:
- 为了验证基于放射学的机器学习模型用于NML诊断.
- 评估放射学和临床超声波特征在区分良性和恶性NML的联合性能.
主要方法:
- 从超声波图像中提取的1558个放射性特征分析了123个NML.
- 机器学习模型 (LR,SVM,随机森林,LightGBM) 使用10个选定的功能开发.
- 组合模型整合了放射学特征与临床超声检测结果 (化,高抗指数,淋巴结扩大).
主要成果:
- 轻GBM放射学模型实现了高性能 (AUC 0.932培训,0.867验证).
- 组合模型的表现明显优于仅放射学和临床模型,AUC为0.973 (培训) 和0.933 (验证).
- 决策曲线分析表明,组合模型的临床益处优越.
结论:
- 将放射学与临床超声波数据相结合,大大提高了NML的诊断准确性.
- 这种综合方法改善了良性和恶性病变的分化.
- 这些发现支持在NML诊断中改善临床决策.
