非对比式计算机断层扫描放射学模型以预测带有叶片细分的良性和恶性甲状腺结节:双中心研究

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:

• 准确的手术前区分良性和恶性甲状腺结节对于患者管理至关重要.
• 传统的成像技术在诊断甲状腺结节方面存在局限性.
• 开发先进的诊断工具对于改善患者治疗结果至关重要.

研究的目的:

• 使用非对比计算断层扫描 (CT) 数据创建机器学习模型.
• 整合放射学和临床特征,以提高甲状腺结节的分类.
• 改进手术前诊断和患者管理策略.

主要方法:

• 一项多中心的回顾性研究,涉及272名患者和376个甲状腺叶.
• 放射学特征提取和选择使用皮尔森相关性和LASSO回归.
• 评估七个机器学习算法,包括极端梯度提升.
• 使用AUC,布莱尔得分和决策曲线分析进行性能评估,与放射科医生相比.
• 使用夏普利添加式解释 (SHAP) 的模型解释性.

主要成果:

• 极端梯度增强模型在训练,验证和外部测试集 (AUC从0.802到0.899) 中实现了高诊断性能.
• 该模型显著超过放射科医生的评估 (P < 0.001).
• 关键的预测特征包括放射性评分,年龄,瘤大小,化和囊性成分.
• 该模型显示出出色的校准和临床实用性.

结论:

• 基于非对比CT的放射学和临床特征融合模型提供了强大的手术前甲状腺结节分类.
• 基于SHAP的可解释性增强了模型的临床适用性,用于个性化决策.
• 这种人工智能驱动的方法为改善甲状腺结节诊断提供了一个有希望的工具.