一个新的可解释的放射学模型,以区分结节性和恶性甲状腺结节
Hao Zhang1, Yun-Feng Yang, Chao Yang2
1From the Department of Interventional Radiology, Fudan University Shanghai Cancer Center.
Journal of computer assisted tomography
|September 27, 2023
概括
这项研究开发了一种可解释的放射学模型,使用CT扫描来准确预测甲状腺结节 (TNs) 的性质. 该模型通过提供一种非侵入性工具来识别恶性TN来帮助放射科医生,从而减少了诊断负担.
科学领域:
- 医疗成像医学成像
- 无线电学 (Radiomics) 是一种辐射学.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 甲状腺结节 (TNs) 越来越多地被检测到,这给放射科医生带来了诊断负担.
- 准确区分良性和恶性TN对于适当的患者管理至关重要.
- 当前的诊断方法可能是侵入性的,或可能缺乏明确的准确性.
研究的目的:
- 研究CT扫描中的放射学特征与TN的病理特征之间的关联.
- 开发和验证可解释的基于放射学的机器学习模型,用于预测恶性TN.
- 提供一种非侵入性工具,以提高TNS的诊断准确性.
主要方法:
- 对141名TNS患者CT成像和病理数据的回顾性分析.
- 使用金字塔学提取和选择1316个放射学特征,然后使用特征减小技术 (LASSO).
- 使用ROC曲线,校准曲线和决策曲线分析构建和评估四个机器学习模型 (RF混合功能,SVM混合功能,RF,LASSO).
主要成果:
- 最优的RF混合特征放射学模型在验证队列中实现了0.87的AUC.
- 这种模型显著优于LASSO模型,显示了AUC的改进,净重新分类的改进和综合歧视的改进.
- 为了确保模型的可解释性,使用了夏普利添加式扩展方法.
结论:
- 基于CT定量特征的可解释放射学模型有效预测良性和恶性TN.
- 包含不同特征层的数据预处理有助于获得出色的实验结果.
- 这种非侵入性,可解释性和准确的机器学习模型可以快速识别CT上的TNs的性质,帮助放射科医生.
