基于光谱CT定量参数的机器学习在区分良性和恶性甲状腺微结节的价值
Zuhua Song1, Qian Liu1, Jie Huang1
1Department of Radiology, Chongqing General Hospital, Chongqing University, No.118, Xingguang Avenue, Liangjiang New Area, Chongqing, 401147, China.
BMC cancer
|July 2, 2025
概括
使用双层光谱CT定量参数的机器学习算法在区分良性和恶性甲状腺微结节方面表现有前途. 这些基于人工智能的方法可以帮助准确诊断甲状腺微结节.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 由于先进的成像和意识,甲状腺微结节的诊断越来越多.
- 需要准确的方法来区分良性和恶性甲状腺微结节.
研究的目的:
- 评估机器学习算法使用双层光谱CT (DLCT) 定量参数用于甲状腺微结节分类.
- 评估支持矢量机 (SVM),物流回归 (LR) 和天真贝叶斯 (NB) 模型的诊断性能.
主要方法:
- 分析了338个甲状腺微结节 (177个恶性,161个良性).
- 从DLCT (动脉和静脉阶段) 和放射学特征中提取了定量参数.
- 机器学习模型 (SVM,LR,NB) 经过训练和测试,使用递归特征消除来进行变量选择.
主要成果:
- SVM,LR和NB模型实现了高诊断性能,ROC曲线下的面积 (AUC) 值从0.882到0.931.
- 模型在训练,交叉验证和测试队列中始终显示AUC高于0.85.
- 优化的模型确定了区分结节类型的关键变量 (2-8).
结论:
- 来自DLCT的基于AI的定量参数在区分良性和恶性甲状腺微结节方面是有效的.
- 这些发现表明DLCT和ML在甲状腺癌诊断中起着有前途的作用.
