结直肠癌是工业化国家男性和女性癌症相关死亡的三个最常见原因之一。大多数类型的结直肠癌起源于腺瘤性息肉——在大肠粘膜上的腺体样增生——这种肿瘤会发展数年。早期发现和切除这些癌前息肉可以降低结直肠癌的发病率和死亡率。
在过去的二十年中,CT结肠摄影被出现为结肠镜检查的非侵入性替代方案,用于筛选结直肠癌。它与定子镜检查检测到大多数息肉中的结肠镜检查,并且在可视化的结肠部分的情况下,在复杂的解剖条件的情况下不能通过结肠镜检查来评估。然而,CT结肠谱系不能在良性和前一种息肉之间能够确定,这对于个体风险分层和治疗指导至关重要。
在这项新研究中,研究人员利用了放射性组学(一种从医学图像中提取定量特征的方法)的力量,来描述肉眼无法看到的息肉特征。
研究人员开发了一种机器学习算法,通过提取定量图像特征来预测单个息肉的特征辐射瘤.它们在平均结直肠癌的一组无症状患者中对基于CT的基于射频的机器学习方法应用于CT结肠摄影图像。这机器学习该算法在63名患者的100多个结肠息肉上进行训练,然后在59名患者的77个息肉上进行测试。
在测试集中,机器学习方法能够对CT结肠镜检测到的良性和恶性前病变结肠息肉进行无创鉴别,敏感性为82%,特异性为85%。曲线下面积(AUC),一个反映模型在多大程度上能够区分良性和癌前息肉的图形测量,是优秀的。
"These results serve as proof-of-concept that machine learning-based image analysis allows the noninvasive differentiation of benign and premalignant colorectal polyps in CT colonography data sets," said study lead author Sergio Grosu, M.D., radiologist from University Hospital, Ludwig Maximilian University of Munich, in Munich, Germany. "The AUC of 0.91 indicates that this method works well."
该研究结果指出了机器学习衍生算法的作用,提高了CT上影成像的有效性作为结直肠癌的筛选工具。“将机器学习辅助图像分析添加到常规,放射图像读数可以进一步提高基于CT结肠癌的结肠直肠癌筛选的临床意义,允许更精确地选择有资格用于随后的果切除术的患者,”格罗苏博士说。“这种方法可以在遥远的未来中作为所有CT中谱检查检查中的第二个读者使用。”
格罗苏博士说,还需要对更多的患者进行更多的研究来验证这些发现。他补充说,这些研究也应该有助于推动机器学习算法的改进。Grosu博士说:“进一步改进基于机器学习的图像分析是必要的,以实现息肉鉴别的更高精度,并优化工作流程,以便更好地应用于临床常规。”
这项研究发表在杂志上放射学.
来源:北美放射学会