一个基于可解释机器学习的良性甲状腺结节热切除的预后模型

科学领域:

• 内分泌学 在内分泌学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 越来越多地检测良性甲状腺结节,需要有效的症状管理.
• 超声波导向的热除为症状结节提供体积减小.
• 由于吸收的个体变化,预测除疗效是具有挑战性的.

研究的目的:

• 开发和评估机器学习模型,用于预测良性甲状腺结节中热切除除的疗效.
• 确定影响结节体积减小比率 (VRR) 的关键临床和超声波特征.

主要方法:

• 这是一项前性研究,涉及518名接受超声波导导热切除除术的患者.
• 构建和评估六个机器学习模型 (逻辑回归,SVM,决策树,随机森林,XGBoost,LGBM).
• 应用夏普利添加式解释 (SHAP) 模型可解释性和特征重要性分析.

主要成果:

• 极端梯度增强 (XGBoost) 模型实现了高预测性能 (精度为78.9%,AUC为0.86).
• VRR的主要预测因素包括:固体成分的比例<20%,初始结节体积,血流得分,外周血流模式,固体成分的比例为50-80% (在满意的组).
• 分析了518个结节,其中356个在令人满意的VRR组 (≥70%在1年内) 和162个在不令人满意的组.

结论:

• 可解释的机器学习模型可以有效地预测良性甲状腺结节的热废除后的VRR.
• 这些模型为手术前治疗决策提供了宝贵的见解.
• 了解关键影响因素有助于个性化患者管理.