หน้าแรก>แหล่งข้อมูลการสร้างเว็บไซต์>ข้อมูลเว็บไซต์
ดาวน์โหลด

SpondyloMet Classifier

พื้นที่เก็บข้อมูลนี้มีซอร์สโค้ดสำหรับบทความด้านล่าง

เข้าถึงโมเดลที่ดีที่สุดได้ที่ Shiny web app การทำนายเกิดขึ้นโดยใช้แบบจำลองฟอเรสต์แบบสุ่มขั้นสุดท้าย

การวิเคราะห์ทางกัมมันตภาพรังสีของการค้นพบ PET/CT ด้วย Fludeoxyglucose (18F) ในฐานะตัวชี้วัดทางชีวภาพในการสร้างความแตกต่างของโรคกระดูกสันหลังอักเสบและการแพร่กระจายของกระดูกในผู้ป่วยที่มีรอยโรคโฟกัสในกระดูกสันหลัง

ผู้แต่ง: Natasa Brisudova¹, Sona Balogova², Iveta Waczulikova¹
ผู้ติดต่อ: Natasa Brisudova

สังกัด: ¹คณะคณิตศาสตร์ ฟิสิกส์ และสารสนเทศ มหาวิทยาลัย Charles บราติสลาวา
²คณะแพทยศาสตร์ มหาวิทยาลัยชาร์ลส์ บราติสลาวา

การแนะนำ

การเริ่มต้นการรักษาแบบกำหนดเป้าหมายตั้งแต่เนิ่นๆ สามารถป้องกันภาวะแทรกซ้อนทางระบบประสาทที่ไม่สามารถรักษาให้หายได้ของกระดูกสันหลังอักเสบ (SD) และ/หรือการแพร่กระจายของกระดูกสันหลัง (MET) อย่างไรก็ตาม ความแตกต่างระหว่างเงื่อนไขเหล่านี้อาจเป็นเรื่องที่ท้าทาย โดยเฉพาะในระยะแรกๆ

จุดมุ่งหมาย: เพื่อระบุคุณลักษณะเชิงรังสีของ PET ที่มี FDG ที่ช่วยแยกแยะ SD จาก MET

วิธีการ

การวิเคราะห์ย้อนหลังดำเนินการกับองค์ประกอบเรดิโอเมตริกลำดับที่ 31 วินาทีและสูงกว่าในผู้ป่วย 60 ราย โดยมีผู้ป่วยที่ได้รับการยืนยันว่าเป็น SD 30 ราย และ MET 30 รายจากโรคมะเร็งต่างๆ ผลการวิจัย SD 40 รายการและผล MET 40 รายการได้รับการวิเคราะห์โดยใช้ฟรีแวร์ LIFEx ซึ่งคำนวณองค์ประกอบทั่วไป พื้นผิว และรูปร่างของภาพวินิจฉัย

ลักษณะทางคลินิกของผู้ป่วยถูกเปรียบเทียบโดยใช้การทดสอบผลรวมอันดับวิลคอกซันแบบไม่อิงพารามิเตอร์ ประเมินความแม่นยำในการวินิจฉัยโดยใช้เส้นโค้ง ROC นอกจากนี้ ความสามารถในการคาดการณ์ในการแยกแยะ SD และ MET ได้รับการประเมินโดยใช้การเรียนรู้ของเครื่อง มีการทดสอบสามวิธี: การถดถอยโลจิสติกหลายรายการ ฟอเรสต์สุ่ม และเครื่องจักรเวกเตอร์ที่รองรับ โดยมีวิธีการเลือกข้อมูลที่แตกต่างกันสามวิธี: การตรวจสอบความถูกต้องข้ามแบบ K-fold การตรวจสอบความถูกต้องข้ามแบบปล่อยครั้งเดียว และการแยกการทดสอบรถไฟ

ผลลัพธ์

ในบรรดาองค์ประกอบเรดิโอเมตริก 31 รายการ มี 24 รายการที่มีนัยสำคัญทางสถิติ (p < 0.05) ในการแยกแยะ SD จาก MET ในจำนวนนี้ องค์ประกอบ 9 รายการมี AUC > 80% เพื่อความแม่นยำในการวินิจฉัย ค่าสูงสุดได้มาจากพารามิเตอร์ต่อไปนี้:

  • GLZLM_ZP (จุดตัด = 0.38, AUC = 83.25%)
  • NGLDM_Contrast (จุดตัด = 0.17, AUC = 84.7%)
  • GLRLM_GLNU (จุดตัด = 46.1, AUC = 88.8%)

ในการเรียนรู้ของเครื่อง วิธี Random Forest พร้อมการเลือกข้อมูล Train-Test Split มีประสิทธิภาพมากที่สุด โดยได้ค่าตัดที่ 0.28 และ AUC ที่ 98.61%

ข้อสรุป

ผลลัพธ์ยืนยันว่าการวิเคราะห์กัมมันตภาพรังสีและการเรียนรู้ของเครื่องเป็นแนวทางที่น่าหวังในการแยกแยะระหว่าง SD และ MET ใน PET/CT กับ FDG การค้นพบนี้สนับสนุนการตรวจสอบความถูกต้องเพิ่มเติมของวิธีการเหล่านี้

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด