基于机器学习的分类,从多式联络数据的攻击性和恶性瘤的脏瘤
Mehrnegar Aminy1, Tejal Gala2, Agnimitra Dasgupta1
1Department of Aerospace and Mechanical Engineering, Viterbi School of Engineering, University of Southern California (USC), Los Angeles, California, United States of America.
PLOS digital health
|February 20, 2026
概括
机器学习使用CT扫描和临床数据准确地分类脏瘤,区分攻击型和惰型. 瘤大小显著改善了分类,有助于个性化治疗策略.
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
- 在瘤学瘤学.
背景情况:
- 脏瘤需要准确的分类才能得到有效的治疗.
- 区分良性,恶性惰性和恶性侵略性瘤对于预后至关重要.
- 目前的分类方法可以通过整合成像和临床数据来增强.
研究的目的:
- 开发和评估用于分类脏瘤的机器学习 (ML) 管道.
- 评估多相对比增强CT (CECT) 图像和临床数据在瘤分类中的贡献.
- 为了区分良性,恶性-惰性和恶性-侵略性瘤.
主要方法:
- 一项回顾性研究包括448名患有脏瘤的患者.
- 多相CET图像经历了自我监督的特征提取.
- 这些特征与临床数据和瘤大小相结合,使用随机森林 (RF) 和多层感知器 (MLP) 模型进行分类.
- 嵌套的五倍交叉验证和AUC分析被用于评估.
主要成果:
- 在ML管道中,ML管道实现了0.90的AUC,用于分类惰性与攻击性瘤.
- 在对恶性与良性瘤进行分类时,AUC达到0.76.
- 纳入瘤大小显著提高了分类准确性,RF在惰性与攻击性和MLP在恶性与良性分类中表现出色.
结论:
- 开发的ML管道准确地区分了侵略性瘤和惰性瘤,提供了预后见解.
- 瘤大小是一个关键因素,增强了CECT图像和临床数据的预测价值.
- ML技术显示出改善脏瘤风险分层和个性化治疗的巨大潜力.

