优化甲状腺AUS结节恶性瘤预测:对后勤回归和机器学习模型的全面研究
Yuan Cao1, Yixian Yang1, Yunchao Chen2
1Department of Ultrasound, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Frontiers in endocrinology
|November 21, 2024
概括
难以预测甲状腺结节中的恶性瘤,因为细胞学不确定. 一个物流回归模型超过了机器学习,为个性化风险评估提供了一个实用的工具,并减少了不必要的手术.
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:
- 确切诊断甲状腺结节的不确定的细胞学,特别是不确定的重要性 (AUS) 的异型,仍然是一个临床的挑战.
- 预测AUS结节中的恶性瘤风险对于适当的患者管理至关重要.
- 区分良性和恶性结节可以避免不必要的侵入性手术.
研究的目的:
- 为了比较机器学习 (ML) 和逻辑回归 (LR) 模型在预测AUS类别甲状腺结节恶性瘤风险方面的性能.
- 为了确定最有效的模型,准确的风险分层.
主要方法:
- 对342名接受甲状腺手术的患者的356个AUS结节进行了回顾性分析.
- 收集了包括临床,超声波和分子特征在内的数据,并将其分为培训 (70%) 和验证 (30%) 集.
- 开发和评估了两种ML模型 (随机森林,XGBoost) 和三种LR模型 (拉索,最佳子集,向后步骤),使用AUC,校准和临床效用.
主要成果:
- 在356个AUS结节中,90%是恶性,主要是带有频繁BRAF V600E突变的乳头甲状腺癌.
- 使用倒向渐进回归的LR模型表现出优异的性能,AUC为0.83 (训练) 和0.80 (验证).
- 这种LR模型显示出良好的校准和临床实用性,性能优于ML模型.
结论:
- 后勤回归,特别是倒退阶段方法,在预测AUS甲状腺结节中的恶性病变方面优于ML模型.
- 从最好的LR模型中衍生出的名图为个性化风险评估提供了一个实用的工具.
- 这种方法可以帮助临床决策,潜在地减少过度治疗和改善患者的治疗结果.
