机器学习模型作为预测甲状腺结节组织学,攻击性和治疗相关并发症的有用工具

科学领域:

• 内分泌学 在内分泌学.
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 甲状腺结节很常见,很少有一小部分是恶性的.
• 由于潜在的侵略性变种,准确区分甲状腺结节至关重要.
• 现有的诊断工具,如超声波和活检都有局限性.

研究的目的:

• 应用机器学习 (ML) 来预测甲状腺患者的瘤组织学 (HIS),攻击性和手术后并发症.
• 为甲状腺癌患者数据开发准确和可解释的ML模型.
• 确定影响甲状腺癌结果的关键手术前后特征.

主要方法:

• 对1218名甲状腺手术患者 (2006-2018) 的回顾性分析.
• 数据清理,对不平衡的数据集进行过量采样,以及对随机森林模型进行超参数调整.
• 训练ML模型使用手术前特征和手术前/后数据的组合.

主要成果:

• 建立一个全面的,开放访问的甲状腺患者特征数据集.
• 开发准确和可解释的ML模型来预测HIS和攻击性.
• 预先查被确定为最重要的特征;低fT3剂量与侵袭性疾病密切相关.

结论:

• ML模型可以有效地识别甲状腺患者数据中的模式.
• 这些模型可以帮助临床医生改进诊断工具并提高准确性.
• 在手术前的fT3水平可以作为一种有价值的生物标志物来确定疾病的攻击性.