SpondyloMet Classifier
1.0.0
يحتوي هذا المستودع على الكود المصدري للمقالة أدناه.
يمكن الوصول إلى أفضل نموذج في تطبيق الويب Shiny. يتم التنبؤ باستخدام نموذج الغابة العشوائي النهائي.
المؤلفون: ناتاشا بريسودوفا¹، سونا بالوغوفا²، إيفيتا فاكزوليكوفا¹
المراسلة: ناتاشا بريسودوفا
الانتماءات: ¹كلية الرياضيات والفيزياء والمعلوماتية، جامعة تشارلز، براتيسلافا
²كلية الطب، جامعة تشارلز، براتيسلافا
البدء المبكر بالعلاج المستهدف يمكن أن يمنع المضاعفات العصبية المحتملة التي لا رجعة فيها لالتهاب الفقار الفقاري (SD) و/أو النقائل الشوكية (MET). ومع ذلك، فإن التمييز بين هذه الحالات يمكن أن يكون تحديًا، خاصة في المراحل المبكرة.
الهدف: التعرف على الخصائص الإشعاعية لـ PET مع FDG التي تساعد في تمييز SD عن MET.
تم إجراء تحليل بأثر رجعي على 31 عنصرًا إشعاعيًا من الدرجة الثانية والأعلى في 60 مريضًا، مع 30 حالة مؤكدة من SD و30 حالة من MET من مختلف الأورام الخبيثة. تم تحليل إجمالي 40 نتيجة SD و40 نتيجة MET باستخدام برنامج LIFEx المجاني، الذي يحسب العناصر التقليدية والتركيبية والشكلية للصور التشخيصية.
وتمت مقارنة الخصائص السريرية للمرضى باستخدام اختبار مجموع رتبة ويلكوكسون غير حدودي. تم تقييم دقة التشخيص باستخدام منحنى ROC. بالإضافة إلى ذلك، تم تقييم القدرة التنبؤية للتمييز بين SD وMET باستخدام التعلم الآلي. تم اختبار ثلاث طرق: الانحدار اللوجستي المتعدد، والغابات العشوائية، وأجهزة ناقل الدعم، مع ثلاث طرق مختلفة لاختيار البيانات: التحقق من صحة K-fold، والتحقق من صحة المغادرة لمرة واحدة، وتقسيم اختبار التدريب.
من بين 31 عنصرًا قياسًا إشعاعيًا، كان هناك 24 عنصرًا ذا دلالة إحصائية (p <0.05) في التمييز بين SD وMET. من بين هذه العناصر، كان لدى 9 عناصر مساحة تحت المنحنى > 80% لدقة التشخيص. تم تحقيق أعلى القيم من خلال المعلمات التالية:
في التعلم الآلي، كانت طريقة Random Forest مع تحديد بيانات Train-Test Split هي الأكثر فعالية، حيث حققت نسبة قطع قدرها 0.28 وAUC بنسبة 98.61%.
تؤكد النتائج أن التحليل الإشعاعي والتعلم الآلي من الأساليب الواعدة للتمييز بين SD وMET في PET/CT مع FDG. يتم دعم المزيد من التحقق من صحة هذه الأساليب من خلال النتائج.
