通过结合瘤直径和上腺意外瘤的临床参数来开发预测模型
Yuichiro Iwamoto1, Tomohiko Kimura1, Yuichi Morimoto2
1Department of Diabetes, Endocrinology and Metabolism, Kawasaki Medical School, Kurashiki, Japan.
Endocrine journal
|July 2, 2025
概括
这项研究开发了一个机器学习模型,使用CT扫描和临床数据来分类上腺瘤. 该模型准确地识别了原发性阿尔多斯特隆症,染细胞瘤和库辛综合征,可能减少侵入性测试.
科学领域:
- 内分泌学 在内分泌学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 上腺副瘤需要复杂的诊断程序,包括内分泌刺激测试和成像.
- 评估上腺瘤的荷尔蒙活性对于准确的诊断和治疗计划至关重要.
研究的目的:
- 开发一个集成计算机断层扫描 (CT) 成像和临床数据的机器学习模型,用于上腺瘤分类.
- 为了提高产生激素的上腺瘤的非侵入性诊断准确度.
主要方法:
- 对162名上腺意外瘤患者进行了回顾性队列研究.
- 使用临床和CT成像参数开发三种随机森林分类模型.
- 名义逻辑回归用于识别产生激素的上腺瘤的预测因素.
主要成果:
- 一个随机的森林模型,结合CT瘤直径,激素水平和临床数据,实现了高精度的原发性阿尔多斯特隆症 (AUC 0.88),色细胞瘤 (AUC 0.85) 和库辛综合征 (AUC 0.80).
- 该模型显示轻度自主皮质醇分泌的诊断准确性较低.
- 开发的模型为上腺瘤分类提供了一种非侵入性的方法.
结论:
- 机器学习模型显示出作为一种高效,非侵入性工具来分类上腺瘤的承诺,可能减少对激素刺激测试的需求.
- 需要进一步的验证研究来确认这种人工智能驱动的诊断方法的临床实用性.
