基于栖息地放射组学和机器学习的术前小儿急性阑尾炎三分类:一项包含外部验证的双中心研究

《Journal of Imaging Informatics in Medicine》:Habitat Radiomics and Machine Learning for Preoperative Three-class Classification of Pediatric Acute Appendicitis: A Dual-center Study with External Validation

【字体: 大 中 小 】 时间:2026年10月16日 来源:Journal of Imaging Informatics in Medicine 3.1

编辑推荐:

   小儿急性阑尾炎亚型的准确术前鉴别与治疗规划相关。我们开发并外部验证了一种结合基于栖息地划分的CT影像组学与临床变量的机器学习框架,用于三分类(单纯性、复杂性和阑尾脓肿)。这是一项回顾性双中心研究,纳入机构A中317名接受阑尾切除术的儿童(训练集n=222,内部验证集n=95)

  小儿急性阑尾炎亚型的准确术前鉴别与治疗规划相关。我们开发并外部验证了一种结合基于栖息地划分的CT影像组学与临床变量的机器学习框架,用于三分类(单纯性、复杂性和阑尾脓肿)。这是一项回顾性双中心研究,纳入机构A中317名接受阑尾切除术的儿童(训练集n=222,内部验证集n=95)和机构B中174名儿童(外部验证集)。对术前非增强CT感兴趣体积进行K-means++栖息地分割(k=3),获得1218个影像组学特征;从训练队列中筛选出10个特征,与20个术前临床变量相结合。使用宏平均的一对余者ROC曲线下面积(AUC)、准确率和宏F1值,配合自助法置信区间(CI)、DeLong检验、校准统计量和决策曲线分析,对八种分类器进行比较。在外部验证中,朴素贝叶斯取得了最高的宏AUC(0.946,95% CI 0.910–0.974)、准确率0.776(0.713–0.833)和宏F1值0.766(0.674–0.837),在所有评估的配置中显著优于其余七种分类器(p<0.001);内部验证的宏AUC为0.940(0.893–0.977)。各类别的外部AUC分别为0.920(单纯性)、0.948(复杂性)和0.971(脓肿)。校准斜率(0.23–0.30)表明概率输出在用于概率性决策前需要进行重新校准。在输入特征块的五臂消融实验中,结合临床变量与栖息地影像组学的融合模型表现最佳(外部宏AUC 0.971),优于单独使用栖息地影像组学(0.952)、临床变量加常规整体感兴趣体积影像组学(0.776)、单独使用临床变量(0.763)以及单独使用常规整体感兴趣体积影像组学(0.582)。栖息地影像组学与机器学习结合,为接受阑尾切除术的儿童提供了准确且经过外部验证的小儿急性阑尾炎三分类。朴素贝叶斯提供了最均衡的亚型鉴别能力。该模型是亚型分层辅助工具,而非独立的诊断或治疗选择工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号