基于超声波放射学和机器学习的模型,用于在手术前对状甲状腺新生体的分化
Yiwen Deng1, Qiao Zeng2, Yu Zhao1
1Department of Ultrasound, The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, China.
概括
这项研究表明,超声波放射学可以准确地区分卵泡甲状腺癌 (FTC) 和卵泡甲状腺瘤 (FTA). 综合模型提供了一个非侵入性的工具,用于手术前识别这些甲状腺疾病.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 区分毛囊性甲状腺癌 (FTC) 和毛囊性甲状腺瘤 (FTA) 对于患者管理至关重要.
- 准确的手术前分化可以防止对良性疾病进行不必要的手术.
研究的目的:
- 评估超声波放射学在区分FTC和FTA的诊断价值.
- 为FTC和FTA开发一种非侵入性手术前预测工具.
主要方法:
- 超声波图像和三所机构389名患者的临床数据的回顾性分析.
- 使用机器学习分类器开发放射学模型,包括具有临床特征的组合模型.
- 使用接收器操作特征曲线,校准和决策曲线进行性能评估.
主要成果:
- 基于随机森林的放射学模型在区分FTC和FTA方面表现出强的表现 (AUC在队列中从0.821到0.880不等).
- 结合放射学和临床特征的组合模型显示出更高的疗效 (AUC从0.874到0.883不等).
- 在组合模型中观察到良好的一致性和高临床益处.
结论:
- 超声波放射学,特别是随机森林方法,是区分FTC和FTA的可行方法.
- 开发的组合模型作为一个有效的,非侵入性的工具,用于FTC和FTA的手术前识别.
