基于病理学和超声波放射学数据集,构建针对乳头甲状腺癌的多模式机器学习模型
Yu-Yan Pang1, Zhong-Qing Tang2, Chang Song1
1Department of Pathology, The First Affiliated Hospital of Guangxi Medical University, No. 6 Shuangyong Road, Nanning, Guangxi Zhuang Autonomous Region, 530021, PR China.
Data in brief
|June 19, 2025
概括
这项研究开发了一种整合病理学和超声波放射学的人工智能模型,以改善乳头甲状腺癌 (PTC) 诊断. 多式联络方法提高了病理学家的诊断效率和准确性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的瘤诊断对于有效的癌症治疗至关重要.
- 整合不同的数据源可以提高诊断精度.
- 乳头甲状腺癌 (PTC) 诊断可以从先进的分析方法中获益.
研究的目的:
- 开发一种多式诊断模型来诊断乳头甲状腺癌 (PTC).
- 使用机器学习整合病理学和超声波放射学功能.
- 提高病理学家的诊断效率和准确性.
主要方法:
- 对222例PTC病例和163例良性甲状腺结节病例的回顾性分析.
- 从细胞病理学图像中提取病理学和从病变轮中提取超声波放射学.
- 应用 eXtreme梯度增强 (XGBoost),支持向量机 (SVM) 和随机森林 (RF) 算法.
主要成果:
- 使用人工智能机器学习为PTC构建多式诊断模型.
- 使用接收器运行特征曲线 (AUC) 下面的面积来评估模型有效性.
- 单模,多模和人工诊断模型性能的比较.
结论:
- 病理学和超声波放射学的多式集成显示了PTC诊断的前景.
- 人工智能驱动的模型可以提高病理学家在诊断甲状腺结节方面的效率.
- 需要进一步验证,以确认开发的模型的临床实用性.
