基于机器学习的超声波放射学的比较分析,用于预测部分囊性甲状腺结节的恶性病变
Tianhan Zhou1, Tao Hu2, Zhongkai Ni1
1The Department of General Surgery, Hangzhou TCM Hospital Affiliated to Zhejiang Chinese Medical University, Hangzhou, China.
Endocrine
|August 5, 2023
概括
分析超声波放射学的机器学习 (ML) 模型在识别恶性部分囊性甲状腺结节 (PCTNs) 方面表现有前途. 这种非侵入性方法有助于手术前诊断,有可能改善患者的治疗结果并降低成本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 部分囊性甲状腺结节 (PCTNs) 带来了诊断挑战.
- 准确的恶性瘤评估对于适当的治疗至关重要.
研究的目的:
- 评估基于机器学习 (ML) 模型的甲状腺超声波放射学的有效性,用于诊断PCTN中的恶性瘤.
- 为PCTN开发一种非侵入性手术前查工具.
主要方法:
- 对192名患者的197个PCTN进行了回顾性分析.
- 从超声波图像中提取放射学特征.
- 开发ML分类模型使用选择的放射学特征通过最小绝对收缩和选择操作员回归来开发ML分类模型.
主要成果:
- 提取了19个放射性特征.
- 该k-最接近邻居 (KNN) ML模型的AUC达到0.909,准确度为82.95%,灵敏度为83.33%,特异性为89.90%.
- 基于ML的放射学系统在AUC方面表现优于ACR的TI-RADS和超声波特征模型.
结论:
- 基于超声波的ML放射学是预测PCTN恶性病的宝贵工具.
- 这种非侵入性方法可以指导术前诊断,优化医疗支出,并提高治疗结果.
