基于深度学习的放射组学模型，用于黑色素瘤的非侵入性诊断

《Melanoma Research》：A deep learning-based radiomics model for noninvasive diagnosis of melanoma

结合深度学习和影像组学，开发非侵入性模型提升早期黑色素瘤诊断准确性。分析350例患者，发现病变直径及影像组学特征（熵、波let对比度）为关键因素，随机森林模型AUC达0.794，效果最佳。

　　

摘要通俗语言总结

---

本研究旨在开发一种结合深度学习和放射组学的非侵入性诊断模型，以提高早期黑色素瘤诊断的准确性和临床实用性。2022年1月至2024年12月期间，共有350名患有皮肤色素性病变的患者被纳入研究，并按7:3的比例随机分为训练集（n=245）和验证集（n=105）。所有患者的完整信息均被收集。通过单变量分析筛选出与恶性黑色素瘤相关的因素，然后利用最小绝对收缩和选择算子回归方法对变量进行优化，最终通过多变量逻辑回归确定独立预测因子。使用Python 3.8.5和sklearn库构建了随机森林（RF）、支持向量机（SVM）和K近邻（KNN）模型。模型性能通过接收者操作特征曲线下面积（AUC）进行评估。单变量分析和多变量逻辑回归的结果表明，病变直径、熵（一阶统计量）、长程强调、大面积强调、小波对比度、小波能量以及ResNet50-layer49的输出是恶性黑色素瘤的独立风险因素（所有P<0.05）。随机森林模型的AUC（0.794）显著高于KNN模型（0.755）和SVM模型（0.768），因此被认为是最佳模型。基于深度学习与放射组学特征的随机森林模型可有效应用于皮肤色素性病变患者的黑色素瘤非侵入性诊断。其中，熵（一阶统计量）、长程强调和小波对比度是关键的预测指标。

通俗语言总结研究人员利用深度学习和放射组学开发了一种非侵入性诊断模型，以改善早期黑色素瘤的诊断效果。他们研究了350名皮肤病变患者，并将其分为训练组和验证组。研究确定了与黑色素瘤相关的关键因素，包括病变直径以及熵和小波对比度等特定的放射组学特征。测试了三种机器学习模型：随机森林（RF）、支持向量机（SVM）和K近邻（KNN）。其中，随机森林模型的表现最佳，AUC为0.794，表明其在黑色素瘤诊断中的有效性。这一研究凸显了放射组学和深度学习在提高黑色素瘤检测能力方面的潜力。