基于美国甲状腺放射学的机器学习模型,用于区分良性和恶性结节
Antonino Guerrisi1, Elena Seri2, Vincenzo Dolcetti2
1Radiology and Diagnostic Imaging Unit, Department of Clinical and Dermatological Research, San Gallicano Dermatological Institute IRCCS, Via Elio Chianesi 53, 00144 Rome, Italy.
Cancers
|November 27, 2024
概括
这项研究开发了一个机器学习模型,使用甲状腺超声波图像准确地将甲状腺结节分类为良性或恶性. 该模型实现了高精度,在外部测试中正确识别了所有恶性结节.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 甲状腺结节很常见,准确的诊断对于区分良性病例和恶性病例至关重要.
- 目前的诊断方法,如超声波和细针活检有局限性,往往取决于操作者.
- 放射学和机器学习为改善诊断准确性提供了先进的工具.
研究的目的:
- 开发和验证一种机器学习模型,使用超声波图像将甲状腺结节分类为良性或恶性.
- 利用放射性特征来提高传统方法之外的诊断性能.
主要方法:
- 收集了142名受试者 (40名恶性,102名良性) 的超声波图像,由组织学证实.
- 用机器学习分类器 (随机森林,SVM,k-NN) 应用放射性方法进行二进制分类.
- 在21名患者的独立外部队列上验证了表现最佳的模型.
主要成果:
- 最好的模型,一个随机森林集合,在内部测试中实现了85%的ROC-AUC和83%的准确性.
- 在外部验证中,该模型显示了90.5%的准确性,100%的灵敏性和86.7%的特异性.
- 该模型成功地确定了外部队列中的所有恶性结节和高比例的良性结节.
结论:
- 基于超声波图像中的放射性特征的机器学习模型可以有效地区分良性与恶性甲状腺结节.
- 开发的随机森林集合模型显示了在甲状腺结节诊断中临床应用的巨大潜力.
- 这种方法提供了一个有希望的,客观的工具来帮助临床医生诊断甲状腺结节,可能减少误诊.
