机器学习方法识别癌前结肠息肉
根据发表在该杂志上的一项研究，一种机器学习算法有助于在CT结肠镜扫描中准确区分良性和癌前结直肠息肉放射学．
在工业化国家，结直肠癌是导致男性和女性癌症相关死亡的三大最常见原因之一。大多数类型的结直肠癌起源于腺瘤息肉-腺样生长在粘膜内衬大肠这需要几年的时间。早期发现并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结肠镜作为一种非侵入性的结肠镜检查来筛查结直肠癌。在检测大多数息肉方面，它可以与结肠镜检查相媲美，并且可以有效地显示结肠的某些部分，在复杂的解剖条件下，结肠镜检查不能总是评估这些部分。然而，CT结肠镜并不能明确区分良性和癌前息肉，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，研究人员利用了辐射组学的力量，这是一种从植物中提取定量特征的过程医学图像，来描述超出肉眼可见范围的息肉特征。
研究人员开发了一种机器学习算法利用放射组学提取的定量图像特征，预测单个息肉的特征。他们将非侵入性、基于放射学的机器学习方法应用于一组无症状结肠直肠癌平均风险患者的CT结肠镜图像。机器学习算法在63名患者的100多个结肠直肠息肉上进行训练，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良性和癌前CT结肠镜检查出的结直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)是一种图形测量方法，反映了模型区分良性和癌前息肉的能力，结果非常好。
“这些结果证明了基于机器学习的概念图像分析允许良性和癌前结直肠的无创鉴别息肉该研究的主要作者Sergio Grosu博士说，他是德国慕尼黑路德维希·马克西米利安慕尼黑大学医院的放射学家。“AUC为0.91，表明该方法效果良好。”
这些发现指出了机器学习衍生算法在提高CT结肠镜检查作为结直肠癌筛查工具的有效性方面的作用。
“将机器学习辅助图像分析添加到常规的放射图像读取中，可以进一步提高基于CT结肠镜检查的临床意义结肠直肠癌通过更精确地选择符合后续息肉切除术条件的患者进行筛查，”格罗苏博士说。“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阅读器。”
格罗苏博士说，需要对更多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。
进一步的细化机器学习基于图像分析的方法对于实现更高的息肉鉴别精度以及优化工作流程以更好地应用于临床常规是必要的，”Grosu博士说。
进一步探索
