甲状腺结节分类的ELTIRADS框架集成弹性学,TIRADS和放射学与可解释的机器学习
Erfan Barzegar-Golmoghani1, Mobin Mohebi1,2, Zahra Gohari3
1Department of Biomedical Engineering, Tarbiat Modares University, Tehran, Iran.
Scientific reports
|March 14, 2025
概括
这项研究介绍了ELTIRADS,一种新的AI方法,结合了超声波,弹性图形和放射学,以准确检测恶性甲状腺结节. 与传统方法相比,它显著提高了诊断性能.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 早期发现恶性甲状腺结节对于有效治疗至关重要.
- 甲状腺结节的传统诊断方法受到专家的变化和有限的先进成像集成的影响.
研究的目的:
- 研究一种新型多模式方法 (ELTIRADS),用于增强甲状腺结节恶性瘤检测.
- 将传统方法与先进的机器学习和成像技术相结合.
主要方法:
- 一项前性队列研究,包括181名患有181个甲状腺结节的181名患者.
- 数据包括患者人口统计,超声波弹性图和放射性特征.
- 使用ELTIRADS训练了一个支持矢量机 (SVM) 分类器,该分类器结合了甲状腺成像报告和数据系统 (TIRADS) 的得分,弹性图像和放射性特征.
主要成果:
- 埃尔蒂拉德斯SVM模型实现了高诊断准确度 (0.92),灵敏度 (0.89),特异性 (0.94),精度 (0.89),以及F1得分 (0.89).
- 可解释机器学习技术,如SHAP和PDP被用于增强对模型预测的理解.
结论:
- 多模式ELTIRADS方法显着有望提高恶性甲状腺结节检测的准确性.
- 这一进步有助于在甲状腺癌诊断和研究中实现个性化和精确的医学.
