基于超声波的放射学-临床机器学习模型,用于预测TI-RADS 3结节中的乳头甲状腺微癌

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 常规超声波 (CUS) 和ACR TI-RADS用于甲状腺结节的评估.
• 从TI-RADS 3结节区分皮质甲状腺微癌 (PTMC) 是具有挑战性的,因为重叠的特征.
• 需要改进的方法来识别低风险结节中的PTMC.

研究的目的:

• 评估一种用于预测TI-RADS 3节点中的PTMC的机器学习模型.
• 将基于超声波的放射学特征与临床信息相结合.
• 为了提高PTMC检测的诊断准确度.

主要方法:

• 总共有221名TI-RADS 3结节 (91名PTMC,130名良性) 的患者被研究.
• 从CUS图像中提取了放射性特征,并收集了临床数据.
• 机器学习模型 (放射学,临床,组合) 使用LightGBM构建并验证.

主要成果:

• 结合放射学和临床模型的诊断准确度高于单独临床模型的诊断准确度 (AUC 0.975培训,0.898验证) (AUC 0.845培训,0.811验证).
• 使用LASSO回归,选择了15个放射学特征.
• 一个放射学-临床名录显示了临床适用性.

结论:

• 基于超声波的放射学有效地预测了TI-RADS 3结节中的PTMC.
• 机器学习整合放射学和临床数据改善了PTMC检测.
• 这种方法为管理TI-RADS 3甲状腺结节提供了一个有前途的工具.