美国弗吉尼亚州利斯堡2019年8月30日讯——根据12月发表在《美国放射学杂志》(AJR)上的一篇优秀文章，研究人员验证了第一个基于机器学习评估疑似甲状腺结节患者免疫组化(IHC)特征的模型，并根据CT图像对细胞角蛋白19、半乳糖凝集素3和甲状腺过氧化物酶的存在进行个体化无创预测取得了“优异的表现”。
“当信息隐藏在CT图像中时，”首席研究员古解释说，“通过使用纹理分析，可以区分这些信息和放射性组织之间的关系。”
为了评估纹理分析是否可以用于预测疑似甲状腺结节的IHC特征，来自中国暨南大学的何故和他的同事招募了103名患者(训练队列与验证队列的比率，3.1)2013年1月至2016年1月对疑似甲状腺结节患者进行甲状腺切除术和IHC分析。所有103名患者-28名男性和75名女性；中位年龄为58岁；范围：33-70岁-术前做CT，3D Slicer v 4.8.1分析手术标本图像。
为了方便重新测试该方法，20名患者使用相同的扫描仪(LightSpeed 16，飞利浦医疗保健)和方案在10-15分钟内在两组CT系列中成像，无需施用造影剂。这些图像仅用于选择可再现和非冗余特征，而不是用于建立或验证放射模型。
使用Kruskal-Wallis检验(SPSS v 19，IBM)来提高纹理特征和IHC特征之间的分类性能。顾等考虑到p 0.05的显著特征，利用支持向量机方法对基于特征的模型进行训练，评价其准确性、敏感性、特异性、对应的AUC和独立验证。从828个总函数中，选择86个可重复和非冗余函数来建立模型。
细胞角蛋白19放射模型的最佳性能在训练组产生84.4%的准确性，在验证组产生80.0%的准确性。同时，训练组甲状腺过氧化物酶和半乳糖凝集素3预测模型的准确率分别为81.4%和82.5%，验证队列中的准确率分别为84.2%和85.0%。
注意到细胞角蛋白19和半乳糖凝集素3在乳头状癌中的水平非常高，顾坚持认为这些模型可以帮助放射科医生和肿瘤学家识别甲状腺乳头状癌，“这有助于甲状腺乳头状癌的早期诊断和及时选择治疗方案。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！