使用超声波特征对六种机器学习方法进行比较,以区分良性和恶性甲状腺结节,使用超声波特征

科学领域:

• 医学成像分析分析 医学成像分析
• 机器学习在诊断中的应用.
• 甲状腺结节的特征描述

背景情况:

• 甲状腺结节很常见,需要准确的诊断来区分良性和恶性病例.
• 传统的超声波,应变弹性学和对比增强超声波为诊断提供了关键特征.
• 机器学习 (ML) 为自动和准确的甲状腺结节分类提供了潜力.

研究的目的:

• 为了比较六个ML分类器的诊断性能,用于甲状腺结节诊断.
• 确定最有效的ML算法来区分良性和恶性甲状腺结节.
• 评估超声波特征在基于ML的甲状腺结节分类中的实用性.

主要方法:

• 分析了525名患有甲状腺结核的患者队列.
• 六个ML算法进行了比较:SVM,LDA,RF,LG,GlmNet和K-NN.
• 用准确度,灵敏度,特异性,NPV,PPV和AUC来评估诊断性能,并进行了10倍的交叉验证.

主要成果:

• 逻辑回归 (LG) 在测试的ML算法中表现出最佳的诊断性能.
• LG的准确度为86.48%,灵敏度为83.33%,特异性为88.89%,NPV为87.42%,PPV为85.20%,AUC为92.84%.
• 在LG,GlmNet,LDA和RF之间的性能差异很小.

结论:

• 后勤回归是用于甲状腺结节诊断的高效ML算法.
• 虽然LG表现出略高的性能,但其他算法,如GlmNet,LDA和RF也表现出具有竞争力的分类能力.
• 该研究强调了ML在提高基于超声波特征的甲状腺结节诊断的准确性方面的潜力.