基于特征自我识别机器学习模型的身体检查人群中肺结节的风险查和可视化系统的构建
Fang Tian1, Yongchun Lin1, Liangjiao Wang1
1Department of Outpatient, Western Theater Command General Hospital of PLA, Chengdu, Sichuan, China.
Frontiers in medicine
|March 19, 2025
概括
一个新的机器学习模型有效地预测肺结节风险,使用年龄和吸烟等关键因素. 这种工具有助于早期检测,并改善患者肺结节的治疗结果.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 肺部医学 肺部医学
背景情况:
- 肺结节是一个重要的临床问题.
- 早期发现肺结节对于患者的预后至关重要.
- 现有的查方法在识别有风险的个体方面可能存在局限性.
研究的目的:
- 评估一种新型的功能自我识别机器学习模型,用于肺结节风险查.
- 评估开发的可视化系统对风险估计的有效性.
- 在体检队列中确定早期肺结节风险的关键预测因素.
主要方法:
- 从体检人口中分析了4,861次胸部CT检查.
- 开发基于XGBoost的机器学习模型,并改进了用于特征选择的sooty tern优化算法 (ISTOA).
- 单变量和多变量逻辑回归分析用于特征显著性验证.
主要成果:
- 老年,吸烟,心理压力,职业接触,慢性肺部疾病和癌胚抗原升高被确定为危险因素.
- 机器学习模型确定了年龄,吸烟,心理压力,职业暴露,慢性肺病,肺癌家族病史,白蛋白降低和癌胚抗原升高作为关键预测因素.
- 该特征自我识别模型在预测肺结节风险方面表现出卓越的表现.
结论:
- 功能自我识别机器学习模型显示了早期肺结节风险预测的巨大潜力.
- 这种模型可以帮助临床识别患有肺结节的高风险个体.
- 基于模型预测的及时干预可以改善患者的预后.
