基于超声波放射学和双模式超声波弹性学的机器学习模型,用于对良性和恶性甲状腺结节的分类

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 甲状腺结节 (TNs) 需要准确的分化来指导临床管理.
• 目前用于TNs的诊断方法在特异性和灵敏度方面存在局限性.

研究的目的:

• 开发和评估一个随机森林 (RF) 模型,整合超声波弹性学和放射学,以改善TN差异化.
• 将组合模型的诊断性能与单个弹性学和放射学模型进行比较.

主要方法:

• 从127名患者使用超声波弹性学 (声触弹性学[STE]和应变弹性学[SE]) 进行152个TN的回顾性分析.
• 使用Pyradiomics套件提取和选择放射性特征.
• 开发了四种射频模型:STE,SE,放射学,以及整合弹性学和放射学的组合模型.
• 使用曲线下的面积 (AUC) 和决策曲线分析 (DCA) 的性能评估.

主要成果:

• 组合模型实现了0.911的最高AUC (95%CI:0.806-1,000),超过了STE (0.699),SE (0.812) 和放射学 (0.851) 模型.
• 放射学模型也表现出强的性能,AUC为0.851.
• 组合和放射学模型都显示出出色的诊断性能.

结论:

• 结合弹性学和放射学的综合模型为甲状腺结节诊断提供了卓越的预测准确性.
• 这种综合方法为TNS的非侵入性诊断带来了有前途的进展.
• 需要进一步验证以确定其临床实用性.