使用临床和超声波特征以及机器学习方法预测甲状腺恶性瘤风险
Seyed Mahdi Hosseini Sarkhosh1, Nooshin Shirzad2,3, Mahdieh Taghvaei2
1Department of Industrial Engineering, University of Garmsar, Garmsar, Iran. sm.hosseini@fmgarmsar.ac.ir.
European radiology
|February 13, 2025
概括
与目前的指南相比,机器学习模型,特别是XGBoost,显著提高了甲状腺结节恶性瘤风险预测的准确性,并减少了不必要的细针吸收 (FNA) 率.
科学领域:
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 当前对甲状腺结节的风险评估系统,如ACR TI-RADS和ATA指南,往往导致不必要的细针吸收率高.
- 需要更准确,更有效的方法来预测甲状腺结节恶性瘤风险,优化资源配置和患者管理.
研究的目的:
- 开发和验证基于机器学习 (ML) 的甲状腺结节恶性瘤风险预测模型.
- 将ML算法的性能与既定指南 (ACR TI-RADS和ATA) 进行比较.
主要方法:
- 一项回顾性研究分析了1035个甲状腺结节 (845个良性,190个恶性) 的临床和超声特征.
- 用多重逻辑回归来进行特征选择.
- 评估了八个ML算法,XGBoost被确定为表现最好.
- 我们将XGBoost模型的预测能力与ACR TI-RADS和ATA指南进行了比较.
主要成果:
- XGBoost算法表现出卓越的性能,其AUC为88.3%,灵敏度为84.2%,特异性为92.3%.
- 与ACR TI-RADS (AUC 54.2%) 和ATA (AUC 44.3%) 相比,XGBoost显著降低了不必要的FNA率,从43%和63%降至7%.
- 拟议的ML模型提供了更好的诊断准确性和资源优化.
结论:
- 机器学习方法,特别是XGBoost算法,提高了甲状腺结节恶性瘤风险预测的准确性.
- 开发的ML模型可以通过显著减少不必要的FNA程序来优化医疗保健资源.
- 有一个基于网络的工具可用于帮助治疗甲状腺结节的临床决策.
