机器学习方法识别癌前结肠息肉

根据本研究的一项研究，机器学习算法有助于准确地分辨对CT上读数扫描的良性和前一种结肠直肠癌息肉放射学。

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息肉-腺样生长在粘膜衬里大肠- 在几年内发展。早期检测和去除这些癌前息肉可以降低结直肠癌的发生率和死亡率。

在过去的二十年中，CT结肠摄影成为结肠镜检查的非侵入性替代方案，筛选结直肠癌。它与定性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可视化部分中，在复杂的解剖条件的情况下不能总是通过结肠镜检查来评估。然而，CT结肠内影术不能够在良性和前一种息肉之间确定差异，这对于个体风险分层和治疗指导至关重要。

对于新的研究，研究人员利用了射线瘤的力量，这是一种提取定量特征的过程医学图像，表征超出肉眼显而易见的息肉。

研究人员开发了一个机器学习算法基于通过射线学提取的定量图像特征来预测各个息肉的特征。他们在平均结直肠癌的无症状患者中应用了非侵入性的基于射频的机器学习方法。机器学习算法在63名患者中培训了一组超过100种结肠直肠息肉，然后在59名患者中进行了一套77个息肉测试。

在测试组中，机器学习方法使得能够进行良性和预急性CT中影术检测到的结肠直肠息肉的非侵入性分化，灵敏度为82％，特异性为85％。曲线下的区域（AUC），一个图形测量，反映了该模型能够区分良性和癌前息肉的多大息息。

“这些结果证明了基于机器学习的概念图像分析允许无创分化的良性和恶性结直肠息肉该研究的第一作者、医学博士、德国慕尼黑路德维希马克西米兰大学大学医院的放射学家Sergio Grosu说。“AUC为0.91，表明该方法是有效的。”

该研究结果指出了机器学习衍生算法的作用，使CT上影术的有效性作为结直肠癌的筛选工具。

“在常规的放射图像读取中加入机器学习辅助的图像分析可以进一步提高基于CT结肠镜检查的临床意义。结直肠癌格罗苏博士说:“通过筛选，可以更精确地挑选出符合后续息肉切除条件的患者。”“在遥远的将来，这种方法可以作为所有CT结肠镜检查的常规第二读取器。”

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。

“进一步改进了机器学习基于图像分析是必要的，以实现更高的精度在息肉分化和工作流程优化，更好的适用性在临床常规，”Grosu博士说。

---

---