基于多中心数据的肺结节恶性瘤概率的预测模型
Yuyan Huang1, Yong Chen1, Fang He1
1Department of Respiratory and Critical Care Medicine, The Affiliated Hospital of North Sichuan Medical College, Nanchong, Sichuan, China.
Frontiers in oncology
|June 12, 2025
概括
这项研究确定了恶性肺结节的关键因素,并开发了一种渐变增强决策树 (GBDT) 模型. GBDT模型有助于区分恶性结节,改善患者的诊断和治疗.
科学领域:
- 肺部医学 肺部医学
- 放射学 放射学是一门学科.
- 医疗保健中的机器学习
背景情况:
- 肺结节很常见,但区分恶性和良性的是一项挑战.
- 准确预测恶性瘤对于及时和适当的患者管理至关重要.
研究的目的:
- 为了确定与恶性肺结节相关的特征因素.
- 开发和评估恶性肺结节诊断的预测模型.
- 评估开发模型的诊断性能.
主要方法:
- 分析了830名肺结节患者的临床和成像数据.
- 使用最小绝对收缩和选择运算符 (LASSO) 和多变量逻辑回归来进行预测器识别.
- 采用并选择最佳的机器学习分类模型,包括渐变增强决策树 (GBDT).
- 应用沙普利添加剂解释 (SHAP) 用于个性化风险评估.
- 使用330名患者的外部数据集验证了该模型.
主要成果:
- 确定了预测因素:年龄,性别,结节直径,螺纹,球状,化,真空,血管收标志,空气支气管图标志,多引力和密度.
- 在GBDT模型中,曲线下的面积 (AUC) 在内部为0.873,在外部为0.726.
- 校准曲线和临床决策曲线分析 (DCA) 证实了优秀的模型校准和临床实用性.
结论:
- 成功开发了一种GBDT模型,用于区分恶性肺结节.
- 这种模型可以作为一个有价值的工具,以协助诊断和治疗规划的肺结节患者.
- 这些发现支持将机器学习纳入肺结节的诊断途径.
