Diagnóstico de Síndromes Aórticos Agudos en Imágenes de TC Sin Contraste con Aprendizaje Automático Basado en Radiómica
Autores: Ma, Zhuangxuan; Jin, Liang; Zhang, Lukai; Yang, Yuling; Tang, Yilin; Gao, Pan; Sun, Yingli; Li, Ming
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Diagnóstico de Síndromes Aórticos Agudos en Imágenes de TC Sin Contraste con Aprendizaje Automático Basado en Radiómica
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Biología
Palabras clave
Detectar
Síndromes aórticos
Modelo de aprendizaje automático basado en radiómica
Imágenes NCCT
Modelo SVM
AUC
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 16
Citaciones: Sin citaciones
Nuestro objetivo fue detectar síndromes aórticos agudos (SAA) en imágenes de tomografía computarizada sin contraste (TCNC) utilizando un modelo de aprendizaje automático basado en radiómica. Se inscribieron retrospectivamente un total de 325 pacientes que se sometieron a una angiografía por tomografía computarizada aórtica (CTA) de 2 centros médicos en China para formar la cohorte interna (230 pacientes, 60 pacientes con SAA) y la cohorte de prueba externa (95 pacientes con SAA). La cohorte interna se dividió en la cohorte de entrenamiento (135), la cohorte de validación (49) y la cohorte de prueba interna (46). La máscara aórtica fue delineada manualmente en TCNC por un radiólogo. Se utilizó la regresión de Operador de Selección y Reducción Absoluta Mínima (LASSO) para filtrar nueve parámetros de características; el modelo de Máquina de Soporte Vectorial (SVM) mostró el mejor rendimiento. En las cohortes de entrenamiento y validación, el modelo SVM tuvo un área bajo la curva (AUC) de 0.993 (IC del 95%, 0.965-1); precisión (ACC), 0.946 (IC del 95%, 0.877-1); sensibilidad, 0.9 (IC del 95%, 0.696-1); y especificidad, 0.964 (IC del 95%, 0.903-1). En la cohorte de prueba interna, el modelo SVM tuvo un AUC de 0.997 (IC del 95%, 0.992-1); ACC, 0.957 (IC del 95%, 0.945-0.988); sensibilidad, 0.889 (IC del 95%, 0.888-0.889); y especificidad, 0.973 (IC del 95%, 0.959-1). En la cohorte de prueba externa, la ACC fue de 0.991 (IC del 95%, 0.937-1). Este modelo puede detectar SAA en TCNC, reduciendo el diagnóstico erróneo y mejorando los exámenes y el pronóstico.
Descripción
Nuestro objetivo fue detectar síndromes aórticos agudos (SAA) en imágenes de tomografía computarizada sin contraste (TCNC) utilizando un modelo de aprendizaje automático basado en radiómica. Se inscribieron retrospectivamente un total de 325 pacientes que se sometieron a una angiografía por tomografía computarizada aórtica (CTA) de 2 centros médicos en China para formar la cohorte interna (230 pacientes, 60 pacientes con SAA) y la cohorte de prueba externa (95 pacientes con SAA). La cohorte interna se dividió en la cohorte de entrenamiento (135), la cohorte de validación (49) y la cohorte de prueba interna (46). La máscara aórtica fue delineada manualmente en TCNC por un radiólogo. Se utilizó la regresión de Operador de Selección y Reducción Absoluta Mínima (LASSO) para filtrar nueve parámetros de características; el modelo de Máquina de Soporte Vectorial (SVM) mostró el mejor rendimiento. En las cohortes de entrenamiento y validación, el modelo SVM tuvo un área bajo la curva (AUC) de 0.993 (IC del 95%, 0.965-1); precisión (ACC), 0.946 (IC del 95%, 0.877-1); sensibilidad, 0.9 (IC del 95%, 0.696-1); y especificidad, 0.964 (IC del 95%, 0.903-1). En la cohorte de prueba interna, el modelo SVM tuvo un AUC de 0.997 (IC del 95%, 0.992-1); ACC, 0.957 (IC del 95%, 0.945-0.988); sensibilidad, 0.889 (IC del 95%, 0.888-0.889); y especificidad, 0.973 (IC del 95%, 0.959-1). En la cohorte de prueba externa, la ACC fue de 0.991 (IC del 95%, 0.937-1). Este modelo puede detectar SAA en TCNC, reduciendo el diagnóstico erróneo y mejorando los exámenes y el pronóstico.