基于放射学的机器学习模型用于通过多观察者分析对动态对比增强MRI对乳腺癌进行分类
Faikah Awang Ismail1,2, Muhammad Khalis Abdul Karim2, Mohd Mustafa Awang Kechik2
1School of Biology, Faculty of Applied Sciences, Universiti Teknologi MARA, Cawangan Negeri Sembilan, Kampus Kuala Pilah, 72000, Malaysia.
Current medical imaging
|March 12, 2026
概括
使用动态对比增强MRI (DCE-MRI) 的放射性特征的机器学习模型对乳腺癌分类有希望. CatBoost模型在区分恶性和良性乳腺病变方面取得了最高的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 诊断乳腺癌需要有效的方法来提高患者的生存率.
- 动态对比增强型MRI (DCE-MRI) 是乳腺癌评估的关键成像方式.
- 手动对DCE-MRI图像进行细分可能耗时,并且受观察者之间的变化影响.
研究的目的:
- 在DCE-MRI的手动细分中评估观察者的表现.
- 评估放射性特征和机器学习 (ML) 在分类乳腺病变方面的有效性.
- 为了确定可预测恶性瘤的关键放射性特征.
主要方法:
- 放射科医生在DCE-MRI图像上手动细分了155种乳腺病变 (65种良性,90种恶性).
- 107个放射性特征被提取并正常化;特征选择使用LASSO回归进行.
- 训练和评估了9个ML模型,CatBoost表现出卓越的性能;SHAP分析确定了关键特征.
主要成果:
- 对于放射性特征提取,观察到优异的评分间可靠性 (ICC:0.941-0.992).
- CatBoost模型实现了最高的AUC为0.937,灵敏度为0.889和特异性为0.909.
- SHAP分析证实了特定的放射性特征在区分良性病变和恶性病变方面的重要性.
结论:
- 放射性特征与ML相结合,特别是像CatBoost这样的组合方法,为准确的乳腺癌分类提供了很高的潜力.
- 该研究强调了CatBoost在使用DCE-MRI数据区分恶性和良性乳腺病变方面的有效性.
- 可解释的人工智能模型,如带有SHAP分析的CatBoost,可以提高诊断信心和临床实用性.
