通过低剂量螺旋计算机断层扫描和机器学习的临床数据在机会性查中对肺结节的良性-恶性分类
Yansong Zheng1, Jing Dong2, Xue Yang1
1Department of Health Medicine, Second Medical Center & National Clinical Research Center for Geriatric Diseases, Chinese People's Liberation Army General Hospital, Beijing, China.
Cancer medicine
|May 30, 2023
概括
这项研究开发了一个XGBoost模型,使用15个临床变量来区分良性和恶性肺结节. 该模型在内部验证中实现了0.76的AUC,在外部验证中达到0.87,提高了诊断准确度.
科学领域:
- 肺部医学 肺部医学
- 放射学 放射学是一门学科.
- 数据科学数据科学数据科学
背景情况:
- 肺结节经常在体检期间检测到.
- 准确区分良性和恶性结节对于患者管理至关重要.
- 数据挖掘技术为改善结节分类提供了潜力.
研究的目的:
- 开发和验证一个数据驱动的模型,以区分良性和恶性肺结节.
- 确定可预测结节恶性瘤的关键临床变量.
- 为了提高肺结节诊断的准确性,使用低剂量螺旋计算机断层扫描 (LDCT) 数据.
主要方法:
- 利用了来自135,503名参与者的人口,基线和年度LDCT后续数据.
- 构建了一个极端梯度增强 (XGBoost) 模型,通过网格搜索CV优化超参数.
- 使用外部数据集验证了模型的概括性能.
主要成果:
- 使用15个临床变量,XGBoost模型在内部验证中实现了0.76的曲线下面面积 (AUC) (精度为0.75).
- 外部验证表明,AUC为0.87 (精度为0.80) 的性能得到改善.
- 该模型的灵敏度和特异性在内部为0.78和0.73,在外部为0.83和0.77.
结论:
- 结合15个常规测量临床变量的预测模型可以有效地区分良性和恶性肺结节.
- 在最初的LDCT检查中准确识别肺结节很重要.
- 该模型可以帮助放射科医生生成更精确的报告,并指导临床决定LDCT后续行动.
