基于放射病理学的机器学习模型来对乳头甲状腺癌的风险分层
Xiaoling Liu1, Jiao Yao2, Di Wang2
1Department of Ultrasound, Beijing Anzhen Nanchong Hospital, Capital Medical University (Nanchong Central Hospital), Second Clinical Medical College of North Sichuan Medical College, Nanchong 637000, China (X.L.); Department of Ultrasound, Chengdu Second People's Hospital, Chengdu 610000, China (X.L., X.Q.).
Academic radiology
|January 27, 2025
概括
一种新的放射病理学模型使用超声波和细胞学图像准确地预测乳头甲状腺癌 (PTC) 风险. 这种方法增强了手术前风险分层,可能减少不必要的手术和改善患者的结果.
科学领域:
- 放射学和病理学 放射学和病理学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 乳头甲状腺癌 (PTC) 需要准确的手术前风险分层,以获得最佳的治疗.
- 当前的方法可能无法完全捕捉PTC风险的复杂性.
- 需要使用非侵入性方法来改善临床决策.
研究的目的:
- 开发一个放射病理学模型,整合术前超声波和细针吸收细胞学 (FNAC) 图像.
- 为了实现PTC患者准确的,非侵入性的手术前风险分层.
- 加强临床决策和优化治疗策略.
主要方法:
- 对688名PTC患者的回顾性分析,按淋巴结解剖结果分类.
- 从超声波图像中提取放射学特征,从FNAC图像中提取病理学特征.
- 机器学习 (XGBoost) 用于构建放射学,病理学和放射病理学模型,通过AUC和其他指标进行评估.
主要成果:
- 放射病理学模型实现了高预测性能 (验证队列中的AUC为0.886和0.828).
- 显著超过临床,仅放射学和仅病理学模型的表现.
- 在PTC患者的风险分层中表现出强大的准确性.
结论:
- 开发的放射病理学模型在PTC中为术前风险分层提供了显著的优势.
- 它的应用可能会减少不必要的淋巴结解剖.
- 优化治疗策略,改善PTC患者的治疗结果.
