来自多参数MRI的基于机器学习的放射学,用于预测清细胞细胞癌中的侵略性病理
Jie Zhan1, Lei Sun2, Enming Cui3
1Department of Radiology, Guangzhou First People's Hospital, Guangzhou, Guangdong, 510180, China.
BMC medical imaging
|December 30, 2025
概括
使用T2加权的MRI放射学模型的机器学习模型可以准确地区分攻击性和惰的透明细胞脏细胞癌 (ccRCC). 这种方法有助于个性化治疗,通过在手术前识别高风险ccRCC瘤.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 清细胞细胞癌 (ccRCC) 呈现出显著的异质性,具有侵略性的亚型,预后不佳.
- 准确的手术前区分攻击性和惰性ccRCC对于量身定制的患者管理至关重要,但仍然是一个临床挑战.
研究的目的:
- 评估机器学习模型的有效性,使用多参数MRI放射学来区分攻击性和惰性的ccRCC.
- 为此分类任务确定最有效的MRI序列和放射性特征.
主要方法:
- 对157名ccRCC患者 (114名惰,43名积极) 进行了回顾性分析.
- 在五个MRI序列上划出了感兴趣的区域,并提取了31个特征组合.
- 168个分类模型被构建并使用各种分类器和特征选择方法进行比较.
主要成果:
- 积极的ccRCC瘤明显大于惰性瘤 (8.3厘米对3.0厘米).
- 来自T2加权成像 (T2WI) 的放射性特征显示了最高的性能.
- 最佳模型 (RF+ICAP) 实现了0.960的AUC,精度为86.1%,灵敏度为86.4%,特异性为86.0%.
结论:
- 与T1WI和对比度增强的T1WI相比,脏T2WI放射学特征提供了优越的辨别能力,可以区分攻击性和惰的ccRCC.
- 一个集成多个算法的优化分类模型表明了在手术前区分侵略性ccRCC病理的潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
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
470
