开发和验证一种可解释的机器学习模型,用于从高频超声波图像中识别功能过高的甲状腺腺

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 内分泌学 在内分泌学.

背景情况:

• 二次性甲状腺功能增强症 (SHPT) 涉及甲状腺侧腺 (PTG) 功能异常.
• 精确识别高功能的PTG对于管理SHPT至关重要.
• 当前的诊断方法可能在精度上有局限性.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于识别SHPT患者的PTG功能状态.
• 使用高频超声波 (HFUS) 图像用于此诊断目的.
• 将ML模型的性能与传统方法进行比较.

主要方法:

• 一项对60名SHPT患者和184名PTG患者的回顾性研究.
• 开发使用HFUS视觉标志和放射学特征的ML模型.
• 基于随机森林分类器的ML模型与传统视觉评估的比较.

主要成果:

• ML模型实现了0.859的曲线下面积 (AUC),显著超过视觉模型 (0.629).
• 与视觉模型相比,ML模型表现出更高的灵敏度 (100.0%) 和准确度 (86.5%).
• 大型PTG大小和高回声异质性被确定为高功能腺体的预测因素.

结论:

• 一个基于超声波的ML模型显示出在SHPT患者中识别高功能PTG的良好性能和可解释性.
• 这种使用HFUS图像的人工智能驱动的方法可能会增强SHPT的临床管理.
• 该模型识别关键成像预测因素的能力提供了宝贵的见解.