使用基于超声波放射学的机器学习模型预测血清阴性哈西莫托甲状腺炎:一个多中心研究
Wenjun Wu1, Shengsheng Yao2, Daming Liu3
1Liaoning University of Chinese Medicine, Shenyang, China.
BMC immunology
|April 6, 2025
概括
一个新的AI模型,CCH-NET,显示了使用超声波放射学早期检测血清阴性哈西莫托甲状腺炎的前景. 这种机器学习方法在识别这种具有挑战性的甲状腺疾病时,优于人类专家.
科学领域:
- 内分泌学和医学成像学
- 人工智能在医学中的应用
- 无线电学和机器学习
背景情况:
- 血清阴性哈西莫托甲状腺炎是很难诊断的,因为缺乏特定的抗体标志物.
- 早期检测对于管理正常甲状腺功能患者至关重要.
研究的目的:
- 开发和评估用于早期检测血清阴性哈希莫托甲状腺炎的机器学习模型.
- 评估超声波放射学与人工智能结合在诊断这种疾病中的性能.
主要方法:
- 从164名患有甲状腺病变的患者的超声波图像进行了回顾性分析.
- 从非瘤的低声区域提取放射学特征.
- 使用随机森林分类和LASSO回归的CCH-NET模型的开发.
主要成果:
- 在CCH-NET模型中,AUC达到0.8248,显著超过了高级超声波医生 (AUC=0.681).
- 该模型表现出高灵敏度 (0.762) 和特异性 (0.714).
- 在测试组中观察到一致的准确性,具有强大的F1分数.
结论:
- CCH-NET模型为检测早期血清阴性哈西莫托甲状腺炎提供了更高的准确性.
- 人工智能驱动的超声波放射学为改善内分泌学诊断能力提供了宝贵的工具.
更多相关视频
04:23A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
1.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
