Baidu
map

J Orthop Surg Res:基于机器学习的多序列MRI放射组学在前交叉韧带撕裂诊断中的应用

2024-02-03 医路坦克 MedSci原创 发表于上海

本文目的比较不同机器学习算法在多序列磁共振成像(MRI)放射组学检测前交叉韧带(ACL)撕裂中的诊断能力。此外,本研究旨在建立并验证最佳诊断模型。

前交叉韧带(ACL)通过防止胫骨前移位来维持膝关节的稳定性,并保护正常的膝关节功能。前交叉韧带损伤或严重松弛可引起膝关节不稳定,导致突出的症状和并发症,包括膝关节骨关节炎,以及半月板和软骨损伤。因此,及时准确的诊断和早期干预对于恢复膝关节稳定性和功能至关重要。虽然关节镜检查被认为是诊断ACL损伤的金标准,但它是侵入性的,存在手术风险。

相反,磁共振成像(MRI)被认为是诊断ACL损伤的理想方法,具有高对比度、高分辨率、非侵入性和多平面成像等优点。MRI不仅提供了正常前交叉韧带形态的清晰视图,还提供了撕裂的位置和程度的详细信息,以及与前交叉韧带损伤相关的其他膝关节损伤。然而,通过MRI诊断前交叉韧带损伤通常依赖于放射科医生的视觉评估,这一过程耗费大量时间,并且严重依赖于主治医生的专业知识。此外,即使在经验丰富的放射科医生中,在解释膝关节MRI扫描结果时,观察者之间和观察者内部的一致性最多仍然是中等可靠的。

研究人员已经开始将放射组学与机器学习技术相结合,以提高ACL损伤诊断的准确性和效率。放射组学作为一种高通量、自动化的临床影像数据分析方法,在疾病诊断和预后方面提供了重要帮助。放射组学和机器学习技术的结合在肌肉骨骼疾病的准确诊断和分类方面显示出巨大的潜力。这种协同效应提高了各种任务的诊断效率,包括检测和表征急性关节损伤、慢性病理、脊柱骨折、退行性疾病和肿瘤。

许多研究探索了基于放射组学的ACL损伤诊断。然而,这些方法大多侧重于从单个MRI序列中提取特征,而忽略了一些重要的放射组学特征。一些研究表明,使用多序列MRI构建的模型比单序列模型具有显著的性能优势。因此,我们建议使用多序列MRI,因为它可能包含更多有价值的信息。此外,这些研究强调深度学习的应用,对传统机器学习算法的潜力给予了有限的关注。最近,人们比较了不同的机器学习分类器,以确定最优的机器学习方法。因此,我们比较了五种机器学习算法,以选择性能最好的一种用于模型构建。

本研究旨在将多序列MRI放射组学与机器学习算法相结合,以提取更有价值的放射组学特征。目的是大幅度提高ACL撕裂诊断的诊断性能和准确性。

详细介绍患者招募过程的流程图

方法回顾性分析526例患者,其中前交叉韧带撕裂178例,前交叉韧带正常348例。放射组学特征来自多序列MRI扫描,包括t1加权成像和质子密度(PD)加权成像。选择最可靠的放射组学特征的过程涉及使用类间相关系数(ICC)检验、t检验和最小绝对收缩和选择算子(LASSO)技术。经过特征选择过程,创建了5个机器学习分类器。这些分类器包括逻辑回归(LR)、支持向量机(SVM)、k近邻(KNN)、光梯度增强机(LightGBM)和多层感知器(MLP)。采用多种指标,如受试者工作特征曲线下面积(ROC)、特异性、准确性、敏感性、阳性预测值和阴性预测值等,进行了全面的性能评估。选择了性能最好的分类器。随后,建立了基于最优分类器的PD模型、T1模型和组合模型。通过AUC值、校准曲线和决策曲线分析来评估这些模型的诊断性能。

放射组学工作流程图

不同放射组学特征的比例、分布及P值

使用基于最小对数(λ)的最小绝对收缩和选择算子(LASSO)的特征缩减和选择,具有十倍交叉验证。B Lambda值与特征的数量相关。C使用LASSO算法进行特征选择后的特征权重

各种分类器的性能评价A接收机工作特性曲线。B校准曲线。C决策曲线

不同分类器在训练集中的性能指标

各种模型在训练集和验证集中的性能指标

不同型号的性能评价A接收机工作特性曲线。B校准曲线。C决策曲线

模型验证结果A训练集和验证集的接收者工作特征曲线。B这两组的校准曲线。C这两个集合的决策曲线

结果从2032个特征中选出48个特征。基于svm的多序列放射组学优于所有其他方法,在训练和验证队列中,AUC分别为0.973和0.927,灵敏度为0.933和0.857,特异性为0.930和0.829。

结论基于机器学习的多序列MRI放射组学模型在诊断前交叉韧带撕裂方面表现优异。它为膝关节损伤的诊断和治疗提供了有价值的见解,为临床医生提供了准确客观的辅助诊断工具。

文献来源:Cheng Q,  Lin H,  Zhao J,Application of machine learning-based multi-sequence MRI radiomics in diagnosing anterior cruciate ligament tears.J Orthop Surg Res 2024 Jan 31;19(1)

相关资料下载:
[AttachmentFileName(sort=100, fileName=J Orthop Surg Res:基于机器学习的多序列MRI放射组学在前交叉韧带撕裂诊断中的应用)] GetArticleByIdResponse(id=8cea81219059, projectId=1, sourceId=null, title=J Orthop Surg Res:基于机器学习的多序列MRI放射组学在前交叉韧带撕裂诊断中的应用, articleFrom=MedSci原创, journalId=11978, copyright=原创, creationTypeList=[1], summary=本文目的比较不同机器学习算法在多序列磁共振成像(MRI)放射组学检测前交叉韧带(ACL)撕裂中的诊断能力。此外,本研究旨在建立并验证最佳诊断模型。, cover=https://img.medsci.cn/Random/medical-team-performing-operation-in-a-operating-XY4WCFK.jpg, authorId=0, author=医路坦克, originalUrl=, linkOutUrl=, content=<p><span style="color: #000000;">前交叉韧带(ACL)通过防止胫骨前移位来维持膝关节的稳定性,并保护正常的膝关节功能。前交叉韧带损伤或严重松弛可引起膝关节不稳定,导致突出的症状和并发症,包括膝关节骨<a href="//m.capotfarm.com/topic/show?id=57a53011364">关节炎</a>,以及半月板和软骨损伤。因此,及时准确的<a href="//m.capotfarm.com/guideline/list.do?q=%E8%AF%8A%E6%96%AD">诊断</a>和早期干预对于恢复膝关节稳定性和功能至关重要。<strong>虽然关节镜检查被认为是诊断ACL损伤的金标准,但它是侵入性的,存在手术风险。</strong></span></p> <p><span style="color: #000000;"><img style="display: block; margin-left: auto; margin-right: auto;" src="https://img.medsci.cn/20240203/1706946512671_2269929.png" /></span></p> <p><span style="color: #000000;">相反,磁共振成像(MRI)被认为是诊断ACL损伤的理想方法,具有高对比度、高分辨率、非侵入性和多平面成像等优点。MRI不仅提供了正常前交叉韧带形态的清晰视图,还提供了撕裂的位置和程度的详细信息,以及与前交叉韧带损伤相关的其他膝关节损伤。然而,通过MRI诊断前交叉韧带损伤通常依赖于放射科医生的视觉评估,这一过程耗费大量时间,并且严重依赖于主治医生的专业知识。此外,即使在经验丰富的放射科医生中,在解释膝关节MRI扫描结果时,观察者之间和观察者内部的一致性最多仍然是中等可靠的。</span></p> <p><span style="color: #000000;">研究人员已经开始将放射组学与机器学习技术相结合,以提高ACL损伤诊断的准确性和效率。放射组学作为一种高通量、自动化的临床影像数据分析方法,在疾病诊断和预后方面提供了重要帮助。放射组学和机器学习技术的结合在肌肉骨骼疾病的准确诊断和分类方面显示出巨大的潜力。这种协同效应提高了各种任务的诊断效率,包括检测和表征急性关节损伤、慢性病理、脊柱骨折、退行性疾病和肿瘤。</span></p> <p><span style="color: #000000;">许多研究探索了基于放射组学的ACL损伤诊断。然而,这些方法大多侧重于从单个MRI序列中提取特征,而忽略了一些重要的放射组学特征。一些研究表明,使用多序列MRI构建的模型比单序列模型具有显著的性能优势。因此,我们建议使用多序列MRI,因为它可能包含更多有价值的信息。此外,这些研究强调深度学习的应用,对传统机器学习算法的潜力给予了有限的关注。</span><span style="color: #000000;">最近,人们比较了不同的机器学习分类器,以确定最优的机器学习方法。因此,我们比较了五种机器学习算法,以选择性能最好的一种用于模型构建。</span></p> <p><span style="color: #000000;">本研究旨在将多序列MRI放射组学与机器学习算法相结合,以提取更有价值的放射组学特征。目的是大幅度提高ACL撕裂诊断的诊断性能和准确性。</span></p> <p><span style="color: #000000;"><img style="display: block; margin-left: auto; margin-right: auto;" src="https://img.medsci.cn/20240203/1706946512675_2269929.png" /></span></p> <p style="text-align: center;"><span style="color: #000000;">详细介绍患者招募过程的流程图</span></p> <p><span style="color: #000000;">方法</span><span style="color: #000000;">:</span><span style="color: #000000;">回顾性分析526例患者,其中前交叉韧带撕裂178例,前交叉韧带正常348例。放射组学特征来自多序列MRI扫描,包括t1加权成像和质子密度(PD)加权成像。选择最可靠的放射组学特征的过程涉及使用类间相关系数(ICC)检验、t检验和最小绝对收缩和选择算子(LASSO)技术。经过特征选择过程,创建了5个机器学习分类器。这些分类器包括逻辑回归(LR)、支持向量机(SVM)、k近邻(KNN)、光梯度增强机(LightGBM)和多层感知器(MLP)。采用多种指标,如受试者工作特征曲线下面积(ROC)、特异性、准确性、敏感性、阳性预测值和阴性预测值等,进行了全面的性能评估。选择了性能最好的分类器。随后,建立了基于最优分类器的PD模型、T1模型和组合模型。通过AUC值、校准曲线和决策曲线分析来评估这些模型的诊断性能。</span></p> <p style="text-align: center;"><span style="color: #000000;"><img style="display: block; margin-left: auto; margin-right: auto;" src="https://img.medsci.cn/20240203/1706946512679_2269929.png" />放射组学工作流程图</span></p> <p style="text-align: center;"><span style="color: #000000;"><img src="https://img.medsci.cn/20240203/1706946512681_2269929.png" /></span></p> <p style="text-align: center;"><span style="color: #000000;">不同放射组学特征的比例、分布及P值</span></p> <p style="text-align: center;"><span style="color: #000000;"><img src="https://img.medsci.cn/20240203/1706946512684_2269929.png" /></span></p> <p style="text-align: center;"><span style="color: #000000;">使用基于最小对数(&lambda;)的最小绝对收缩和选择算子(LASSO)的特征缩减和选择,具有十倍交叉验证。B Lambda值与特征的数量相关。C使用LASSO算法进行特征选择后的特征权重</span></p> <p style="text-align: center;"><span style="color: #000000;"><img src="https://img.medsci.cn/20240203/1706946512686_2269929.png" /></span></p> <div class="transout" style="text-align: center;"> <p>各种分类器的性能评价A接收机工作特性曲线。B校准曲线。C决策曲线</p> </div> <p style="text-align: center;"><span style="color: #000000;"><img src="https://img.medsci.cn/20240203/1706946512687_2269929.png" /></span></p> <p style="text-align: center;"><span style="color: #000000;">不同分类器在训练集中的性能指标</span></p> <p style="text-align: center;"><span style="color: #000000;"><img src="https://img.medsci.cn/20240203/1706946512688_2269929.png" /></span></p> <p style="text-align: center;"><span style="color: #000000;">各种模型在训练集和验证集中的性能指标</span></p> <p style="text-align: center;"><span style="color: #000000;"><img src="https://img.medsci.cn/20240203/1706946512690_2269929.png" /></span></p> <p style="text-align: center;"><span style="color: #000000;">不同型号的性能评价A接收机工作特性曲线。B校准曲线。C决策曲线</span></p> <p style="text-align: center;"><span style="color: #000000;"><img src="https://img.medsci.cn/20240203/1706946512691_2269929.png" /></span></p> <p style="text-align: center;"><span style="color: #000000;">模型验证结果A训练集和验证集的接收者工作特征曲线。B这两组的校准曲线。C这两个集合的决策曲线</span></p> <p><strong><span style="color: #000000;">结果</span><span style="color: #000000;">:</span></strong><span style="color: #000000;">从2032个特征中选出48个特征。基于svm的多序列放射组学优于所有其他方法,在训练和验证队列中,AUC分别为0.973和0.927,灵敏度为0.933和0.857,特异性为0.930和0.829。</span></p> <p><strong><span style="color: #000000;">结论</span><span style="color: #000000;">:</span></strong><span style="color: #000000;">基于机器学习的多序列MRI放射组学模型在诊断前交叉韧带撕裂方面表现优异。它为膝关节损伤的诊断和治疗提供了有价值的见解,为临床医生提供了准确客观的辅助诊断工具。</span></p> <p><span style="color: #888888; font-size: 12px;">文献来源:<a style="color: #888888;" href="https://josr-online.biomedcentral.com/counter/pdf/10.1186/s13018-024-04602-5.pdf" target="_blank" rel="noopener">Cheng&nbsp;Q,&nbsp;&nbsp;Lin&nbsp;H,&nbsp;&nbsp;Zhao&nbsp;J,Application of machine learning-based multi-sequence MRI radiomics in diagnosing anterior cruciate ligament tears.J Orthop Surg Res&nbsp;2024 Jan 31;19(1)</a></span></p>, belongTo=, tagList=[TagDto(tagId=16006, tagName=机器学习), TagDto(tagId=55140, tagName=前交叉韧带撕裂), TagDto(tagId=486614, tagName=多序列MRI放射组学)], categoryList=[CategoryDto(categoryId=10, categoryName=骨科, tenant=100), CategoryDto(categoryId=20656, categoryName=梅斯医学, tenant=100)], articleKeywordId=0, articleKeyword=, articleKeywordNum=6, guiderKeywordId=0, guiderKeyword=, guiderKeywordNum=6, opened=1, paymentType=1, paymentAmount=0, recommend=0, recommendEndTime=null, sticky=0, stickyEndTime=null, allHits=3691, appHits=11, showAppHits=0, pcHits=98, showPcHits=3680, likes=0, shares=1, comments=1, approvalStatus=1, publishedTime=Sat Feb 03 17:58:00 CST 2024, publishedTimeString=2024-02-03, pcVisible=1, appVisible=1, editorId=6556091, editor=骨科新前沿, waterMark=0, formatted=0, deleted=0, version=3, createdBy=893e2269929, createdName=医路坦克, createdTime=Sat Feb 03 15:48:44 CST 2024, updatedBy=2570354, updatedName=王佳佳BOM, updatedTime=Sat Feb 03 17:49:06 CST 2024, ipAttribution=上海, attachmentFileNameList=[AttachmentFileName(sort=100, fileName=J Orthop Surg Res:基于机器学习的多序列MRI放射组学在前交叉韧带撕裂诊断中的应用)], guideDownload=1, surveyId=null, surveyIdStr=null, surveyName=null)
J Orthop Surg Res:基于机器学习的多序列MRI放射组学在前交叉韧带撕裂诊断中的应用
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (2)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2185683, encodeId=166c218568329, content=不错,学习了。, beContent=null, objectType=article, channel=null, level=null, likeNumber=79, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=b08e8469269, createdName=ms4000000512201075, createdTime=Sat Feb 03 18:04:32 CST 2024, time=2024-02-03, status=1, ipAttribution=吉林省), GetPortalCommentsPageByObjectIdResponse(id=2185676, encodeId=58ee21856e640, content=<a href='/topic/show?id=7d806121594' target=_blank style='color:#2F92EE;'>#机器学习#</a> <a href='/topic/show?id=8242324e470' target=_blank style='color:#2F92EE;'>#前交叉韧带撕裂#</a> <a href='/topic/show?id=74e711085898' target=_blank style='color:#2F92EE;'>#多序列MRI放射组学#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=84, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=32474, encryptionId=8242324e470, topicName=前交叉韧带撕裂), TopicDto(id=110858, encryptionId=74e711085898, topicName=多序列MRI放射组学), TopicDto(id=61215, encryptionId=7d806121594, topicName=机器学习)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Sat Feb 03 17:49:06 CST 2024, time=2024-02-03, status=1, ipAttribution=上海)]
    2024-02-03 ms4000000512201075 来自吉林省

    不错,学习了。

    0

  2. [GetPortalCommentsPageByObjectIdResponse(id=2185683, encodeId=166c218568329, content=不错,学习了。, beContent=null, objectType=article, channel=null, level=null, likeNumber=79, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=b08e8469269, createdName=ms4000000512201075, createdTime=Sat Feb 03 18:04:32 CST 2024, time=2024-02-03, status=1, ipAttribution=吉林省), GetPortalCommentsPageByObjectIdResponse(id=2185676, encodeId=58ee21856e640, content=<a href='/topic/show?id=7d806121594' target=_blank style='color:#2F92EE;'>#机器学习#</a> <a href='/topic/show?id=8242324e470' target=_blank style='color:#2F92EE;'>#前交叉韧带撕裂#</a> <a href='/topic/show?id=74e711085898' target=_blank style='color:#2F92EE;'>#多序列MRI放射组学#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=84, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=32474, encryptionId=8242324e470, topicName=前交叉韧带撕裂), TopicDto(id=110858, encryptionId=74e711085898, topicName=多序列MRI放射组学), TopicDto(id=61215, encryptionId=7d806121594, topicName=机器学习)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Sat Feb 03 17:49:06 CST 2024, time=2024-02-03, status=1, ipAttribution=上海)]

相关资讯

Journal of Liver Transplantation:一个简单的机器学习衍生规则以促进肝脏移植中的ERAS途径

这个简单的临床规则旨在作为LT中接近ERAS的中心的患者选择筛查工具,重点是临床安全性和有效性、医生信心和患者满意度。

第35届国际癫痫大会(IEC 2023):一种用于检测局灶性皮质发育不良的机器学习模型

创造了一个比目前使用的视觉手工检查技术更详细的MRI分析,促进了更及时和有效的FCD治疗。

Psychol. Med.: 精神病性抑郁症缓解的轨迹:通过机器学习识别病情恶化的预测因子

预测恶化亚组成员的最有力因素是缓解期开始时的残余抑郁症状,其次是 RCT 基线时的焦虑评分和终生首次抑郁发作的发病年龄。

IJNS:开发一种机器学习模型以检测轻度认知障碍老年人的抑郁、焦虑和冷漠

研究开发的机器学习模型在检测和区分抑郁、焦虑和冷漠方面表现出强大的分类性能。

Academic Radiology:基于多参数MRI和机器学习的放射组学模型在胰腺癌患者术前风险评估中的应用!

放射组学是一种基于机器学习和人工智能的新兴技术,以高通量提取定量成像特征。放射组学发现了无数的几何轮廓、纹理特征和肿瘤的异质性以协助临床诊断和预后。

【协和医学杂志】医学数字孪生方法及其应用

我国医学数字孪生研究尚处于起步阶段,本文通过梳理国内外数字孪生在医学领域中的方法和应用,以期为我国开展医学数字孪生研究提供参考。

European Radiology:基于深度学习增强CT的腮腺良恶性肿瘤鉴别诊断

近年来,机器学习(ML)在医学影像领域受到广泛关注;研究表明,计算机辅助诊断模型对放射科医生的疾病诊断有很大帮助。

使用机器学习和逻辑回归进行组合,预测接受健康体检的540万名脂肪肝病患者动脉颈动脉斑块风险

本研究旨在结合机器学习(ML)和Logistic回归的优势,建立一种简单、直观的预测模型,以识别脂肪肝病人群中具有颈部动脉斑块风险的个体,并提供风险分级的分界点,为颈动脉超声检测提供指导。

ANNALS OF SURGERY:基于机器学习的胰腺十二指肠切除术后胰腺瘘的预测

本文新颖的ML模型在内部和外部验证队列中的表现始终优于之前验证的mFRS,从而证明了其在增强CR-POPF预测方面的通用性和实用性。

Baidu
map
Baidu
map
Baidu
map