基于机器学习的肺结节良性和恶性的辅助诊断:一项回顾性研究
Wanling Wang1, Bingqing Yang2, Huan Wu1
1Medical Innovation Research Department of PLA General Hospital, Beijing, People's Republic of China.
Journal of multidisciplinary healthcare
|July 2, 2025
概括
这项研究开发了一种机器学习模型,使用电子健康记录和CT扫描数据准确预测恶性肺结节. 该模型确定了早期肺癌诊断的关键因素,改善了非侵入性检测.
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:
- 肺癌是全球主要的恶性瘤,通常呈现为具有模两可的成像特征的肺结节.
- 准确区分良性和恶性结节是具有挑战性的,需要非侵入性诊断方法.
- 活检的侵入性凸显了对先进的,不那么侵入性的早期检测策略的需求.
研究的目的:
- 开发和评估机器学习模型,用于非侵入性预测肺结节恶性瘤.
- 确定肺结节中肺癌预测的关键临床和成像特征.
- 建立一个早期,精确诊断肺癌的框架.
主要方法:
- 对3355名患者的电子病历和CT扫描数据 (2011-2021) 的回顾性分析.
- 使用五倍交叉验证对机器学习模型 (SVM,RF,XGBoost,FNN,Atten_FNN) 的比较评估.
- 用SHAP (夏普利添加式解释) 分析进行模型解释性和特征重要性识别.
主要成果:
- Atten_FNN模型实现了高性能:AUC为0.82,精度为0.75,灵敏度为0.77,F1得分为0.80.
- 关键的预测因素包括年龄,性别,BMI,结节直径,形态,密度,化,地面玻璃不透明度和特定的生物标志物.
- SHAP分析提供了关于每个特征对恶性瘤预测的贡献的见解.
结论:
- 集成电子病历和CT数据的机器和深度学习模型可以有效预测肺结节恶性瘤.
- SHAP分析确定了早期肺癌诊断的关键决定因素.
- 一个多式诊断系统,将CT成像和放射学结合在一起,被前性验证,被提议用于临床翻译.
