m+Medelevator.RU
← Поиск публикаций
Polish journal of radiology · 2025

Машинно-учебная классификация множественных повреждений склероза с использованием мультипоследовательности радиомикалов MRI: полный анализ особенностей T1, T2, FLAIR, DWI и SWI.

СтатьяНазвание и аннотация: Машинный перевод · не проверен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Elhaie Mohammadreza, Etemadifar Masoud, Adariani Alireza Rezaei, Khorasani Amir, Shahbazi-Gahrouei Daryoush

Аннотация

ЦЕЛЬ: Дифференцирование активных от неактивных множественных повреждений склероза (MS) имеет решающее значение для борьбы с заболеваниями, но часто опирается на гадолиниевые магнитные резонансные изображения (MRI), что вызывает обеспокоенность по поводу рисков и издержек, связанных с удержанием. В этом исследовании используется подход МРТ, не предусматривающий контрастности и многопоследовательность, с использованием радиомики и машинного обучения для классификации деятельности по повреждению MS. МАТЕРИАЛЫ И МЕТОДЫ: В больнице Амина (ноябрь 2024 года - февраль 2025 года) ретроспективно было проанализировано в общей сложности 187 повреждений, причиненных 31 пациенту в возрасте 42,5 ± 11,3 года; 64,5 процента женщин) с помощью сканера МРТ 1,5 Т. Пять последовательностей - Т1-вес (T1W), Т2-вес (T2W), жидкостная инверсионная регенерация (FLAIR), диффузионная съемка (DWI) и диффузная визуализация (SWI) - были обработаны для извлечения 8905 радиометрических элементов, усовершенствованы до 127 посредством корреляции и устранения рекурсивных функций. XGBoust классифицированные повреждения в качестве активных или неактивных, подтвержденные на внутреннем испытательном комплекте (n = 28) с оценкой эффективности по зонам в соответствии с кривой эксплуатационных характеристик приемника (AUC-ROC). Результаты: В модели XGBoust AUC-ROC достиг 0,87 (95% CI: 0,82-0,92), чувствительность 0,85 и специфичность 0,83 выше других классификаторов (SMV AUC 0,84). Доминируют FLAIR (35,4 процента) и T2W (28,3 процента), причем SWI (12,6 процента) повышает точность (AUC упал до 0,84 без SWI). Моделирование шума (Gaussian β = 0,1) подтвердило надежность (AUC = 0,86). ВЫВОДЫ: Такая интеграция СВП с обычными последовательности в унифицированную радиомикровирусную модель открывает перспективную альтернативу классификации повреждений MS без контраста, обеспечивая многообещающую точность, сопоставимую с рентгенологическими характеристиками на внутреннем испытательном наборе (n = 28 повреждений), в ожидании внешней проверки. Для подтверждения общеприменимости необходима внешняя проверка, однако такой подход мог бы уменьшить зависимость от гадолиния в клинической практике.
Оригинал публикации

Machine learning-based classification of multiple sclerosis lesion activity using multi-sequence MRI radiomics: a complete analysis of T1, T2, FLAIR, DWI, and SWI features.

PURPOSE: Differentiating active from non-active multiple sclerosis (MS) lesions is critical for disease management but often relies on gadolinium-enhanced magnetic resonance imaging (MRI), raising concerns about retention risks and costs. This study introduces a contrast-free, multi-sequence MRI approach using radiomics and machine learning to classify MS lesion activity.

MATERIAL AND METHODS: A total of 187 lesions from 31 MS patients (mean age 42.5 ± 11.3 years; 64.5% female) at Amin Hospital (November 2024 - February 2025) were retrospectively analysed using a 1.5 T MRI scanner. Five sequences - T1-weighted (T1W), T2-weighted (T2W), fluid-attenuated inversion recovery (FLAIR), diffusion-weighted imaging (DWI), and susceptibility-weighted imaging (SWI) - were processed to extract 8905 radiomic features, refined to 127 via correlation and recursive feature elimination. XGBoost classified lesions as active or non-active, validated on an internal test set (n = 28 lesions), with performance assessed by area under the receiver operating characteristic curve (AUC-ROC).

RESULTS: The XGBoost model achieved an AUC-ROC of 0.87 (95% CI: 0.82-0.92), sensitivity of 0.85, and specificity of 0.83, outperforming other classifiers (SVM AUC 0.84). FLAIR (35.4%) and T2W (28.3%) dominated feature contributions, with SWI (12.6%) enhancing accuracy (AUC dropped to 0.84 without SWI). Noise simulation (Gaussian σ = 0.1) confirmed robustness (AUC = 0.86).

CONCLUSIONS: This integration of SWI with conventional sequences in a unified radiomic model offers a promising contrast-free alternative for MS lesion classification, achieving promising accuracy comparable to radiologist performance on an internal test set (n = 28 lesions), pending external validation. External validation is needed to confirm the generalisability, but this approach could reduce gadolinium reliance in clinical practice.

ИП Урсолов Владлен Сергеевич

ИНН 500118482352 · ОГРНИП 314500117700049

Реквизиты и контакты