临床放射学机器学习模型用于外围动脉疾病的非侵入性诊断和分层:一个多中心研究
Bowen Hou1, Jinhan Qiao2, Zheng Ran1
1Department of Radiology, Tongji Hospital, Tongji Medical College, Huazhong, University of Science and Technology, Wuhan, Hubei Province, China.
使用临床和基于CT的放射特征的机器学习模型可以改善外周动脉疾病 (PAD) 诊断. 组合模型准确地识别了PAD严重程度,为早期检测提供了一个非侵入性和可解释的工具.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 心血管疾病研究研究
背景情况:
- 周围动脉疾病 (PAD) 是老年人常见的动脉样硬化疾病,导致功能衰退.
- 目前用于PAD的诊断方法往往缺乏早期检测和准确分期的灵敏度.
- 需要新的方法来提高PAD的诊断和严重程度评估.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以改善PAD诊断和分期.
- 整合临床和基于CT的放射性特征,以提高诊断准确度.
- 创建一个可解释和非侵入性工具用于PAD评估.
主要方法:
- 一项回顾性多中心研究分析了临床和放射学特征,包括从CT扫描中获得的身体组成和肌肉质地.
- 342名参与者的数据被随机分配到训练 (70%) 和测试 (30%) 组,并进行外部验证.
- 机器学习算法被采用,使用ROC分析,校准曲线和SHAP进行解释性评估.
主要成果:
- 开发了三个模型:临床 (CM),放射 (RM) 和组合 (CRM).
- 基于小牛的CRM,使用随机森林算法,表现出强的性能,AUC为0.871 (培训),0.870 (测试) 和0.828 (验证).
- CRM显示校准良好,Brier分数低,SHAP分析提供了PAD诊断和分期的特征解释性.
结论:
- 联合临床放射学模型 (CRM) 有效地整合了来自小牛的成像和临床数据.
- 这种非侵入性,可解释的工具显示了PAD诊断和严重程度分层的巨大潜力.
- 开发的ML模型显示了强大的临床适用性,用于管理周围动脉疾病.
更多相关视频
14:45Enumeration of Major Peripheral Blood Leukocyte Populations for Multicenter Clinical Trials Using a Whole Blood Phenotyping Assay
Published on: September 16, 2012
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
相关概念视频
Peripheral Arterial Disease II: Clinical Manifestations and Diagnostic Evaluation
Peripheral Artery Disease I: Introduction
Peripheral Artery Disease IV: Nursing Management
Peripheral Artery Disease III: Interprofessional Care
Peripheral Artery Disease V: Postoperative Nursing Management
Coronary Artery Disease III: Clinical Manifestations
