利用人工智能辅助的放射组学技术对二维超声心动图中良性和恶性右心肿块进行分类

《Journal of Translational Medicine》：AI-assisted radiomics for classification of benign and non-benign right heart masses in 2D-echocardiography

　　

摘要

背景

右心腔肿块的罕见性对诊断水平提出了挑战，同时其可重复性也受到超声心动图操作者技术的影响。基于人工智能（AI）的成像工具可能有助于解决这些限制。

方法

在这项回顾性研究（2013–2024年）中，我们纳入了患有右心腔肿块的外科患者，并获取了他们的术前经胸（TTE）和经食道（TEE）超声心动图图像。对98张二维（2D）TTE图像和87张TEE图像进行了放射组学分析。我们使用五种机器学习（ML）算法（决策树、逻辑回归、随机森林、支持向量机（SVM）和极端梯度提升（XGBoost）开发了二元分类模型，以区分良性与恶性病变。通过标准评估指标（如曲线下面积（AUC））将ML模型的性能与基于残差网络（ResNet）-18架构的深度学习模型的性能进行了比较。

结果

在2D TTE分析中，ResNet-18的AUC最高（0.889），其次是XGBoost（0.836）和决策树（0.815）。ResNet-18的性能显著优于SVM（P = 0.013）和逻辑回归（P = 0.028），但与XGBoost（P = 0.408）、决策树（P = 0.429）或随机森林（P = 0.053）之间没有显著差异。在2D TEE分析中，SVM的AUC最高（0.959），其次是XGBoost（0.924）和随机森林（0.906），这些模型之间没有显著差异（所有P > 0.05）。ResNet-18（AUC = 0.900）仅显著优于决策树（P = 0.027）。

结论

ResNet-18在TTE分析中表现出最高的AUC，优于SVM和逻辑回归，但与其他ML模型相当。SVM在TEE分析中获得了最高的AUC，顶级模型之间没有显著差异。这些发现为右心腔肿块诊断提供了初步的AI基准，尽管仍需外部验证。

背景

右心腔肿块的罕见性对诊断水平提出了挑战，同时其可重复性也受到超声心动图操作者技术的影响。基于人工智能（AI）的成像工具可能有助于解决这些限制。

方法

在这项回顾性研究（2013–2024年）中，我们纳入了患有右心腔肿块的外科患者，并获取了他们的术前经胸（TTE）和经食道（TEE）超声心动图图像。对98张二维（2D）TTE图像和87张TEE图像进行了放射组学分析。我们使用五种机器学习（ML）算法（决策树、逻辑回归、随机森林、支持向量机（SVM）和极端梯度提升（XGBoost）开发了二元分类模型，以区分良性与恶性病变。通过标准评估指标（如曲线下面积（AUC）将ML模型的性能与基于残差网络（ResNet）-18架构的深度学习模型的性能进行了比较。

结果

在2D TTE分析中，ResNet-18的AUC最高（0.889），其次是XGBoost（0.836）和决策树（0.815）。ResNet-18的性能显著优于SVM（P = 0.013）和逻辑回归（P = 0.028），但与XGBoost（P = 0.408）、决策树（P = 0.429）或随机森林（P = 0.053）之间没有显著差异。在2D TEE分析中，SVM的AUC最高（0.959），其次是XGBoost（0.924）和随机森林（0.906），这些模型之间没有显著差异（所有P > 0.05）。ResNet-18（AUC = 0.900）仅显著优于决策树（P = 0.027）。

结论

ResNet-18在TTE分析中表现出最高的AUC，优于SVM和逻辑回归，但与其他ML模型相当。SVM在TEE分析中获得了最高的AUC，顶级模型之间没有显著差异。这些发现为右心腔肿块诊断提供了初步的AI基准，尽管仍需外部验证。