一种基于机器学习的声学,用于预测甲状腺结节恶性瘤

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 在瘤学瘤学.

背景情况:

• 甲状腺结节很常见,区分恶性和良性的甲状腺结节对于患者管理至关重要.
• 精细针吸收 (FNA) 是标准的诊断方法,但它可能是侵入性的,有时是不确定的.
• 需要使用非侵入性生物标志物来提高甲状腺结节的诊断准确度.

研究的目的:

• 研究超声波衍生放射学特征作为评估甲状腺结节恶性病变的非侵入性生物标志物的实用性.
• 根据这些特征开发和评估机器学习模型,以分类甲状腺结节恶性瘤.

主要方法:

• 二百一十名患者接受了超声波引导的甲状腺结节FNA.
• 从超声波图像中提取了放射性特征 (强度,形状,纹理).
• 机器学习算法 (LASSO,MRMR,随机森林,XGBoost) 用于特征选择和分类.

主要成果:

• 单变量分析发现GLRLM-RLNU和GLZLM-GLNU是最重要的预测因子 (AUC 0.67).
• 多变量模型实现了高性能,在训练集中AUC高达0.99.
• 在测试组中表现最好的模型 (XGBoost与MRMR和LASSO) 显示AUC为0.95.

结论:

• 超声波衍生放射学特征显示,作为甲状腺结节恶性瘤的非侵入性生物标志物具有前途.
• 利用这些特征的机器学习模型可以准确预测恶性瘤,潜在地改善诊断策略.