将结构方程建模分析与机器学习相结合,用于在贝塞斯达III类甲状腺结节中早期检测恶性瘤
Zeliha Aydın Kasap1, Burçin Kurt1, Ali Güner2
1Karadeniz Technical University, Faculty of Medicine, Department of Biostatistics and Medical Informatics, Trabzon, Turkey.
Artificial intelligence in medicine
|June 5, 2025
概括
这项研究开发了一种使用机器学习和结构方程建模的决策支持系统,用于预测甲状腺结节的恶性病变与不确定的重要性 (AUS) 的无型性. 该系统准确识别良性病例,减少不必要的手术.
科学领域:
- 内分泌学 在内分泌学.
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 没有确定的意义的非典型性 (AUS) 在甲状腺结节评估中提出了诊断挑战.
- 准确的手术前风险分层对于防止不必要的手术干预至关重要.
研究的目的:
- 开发一种临床决策支持系统,用于预测AUS甲状腺结节中的恶性瘤.
- 整合各种数据,包括临床,超声波,细胞病理学和形态学变量.
主要方法:
- 回顾性队列研究 (2011-2019) 采用了来自183名患者的204个甲状腺结节.
- 使用结构方程建模 (SEM) 进行特征选择和风险因素识别.
- 采用机器学习算法 (SVM, naive Bayes,决策树) 进行恶性瘤预测.
主要成果:
- 在SEM特征选择后,支持矢量机 (SVM) 模型实现了82%的准确性,97%的特异性和84%的AUC.
- SEM有效地确定了早期发现甲状腺癌的风险因素.
- 进行了不同机器学习模型的比较分析.
结论:
- 开发的模型增强了AUS甲状腺结节的临床决策.
- 有效识别良性病例可以降低手术风险,改善患者护理.
- 该系统为手术前恶性瘤预测提供了有价值的工具.
