基于整个甲状腺的CT放射学模型可以达到基于损伤的模型在预测甲状腺结节恶性病的性能吗? - - 一个比较研究
Wenxia Yuan1, Jiayang Wu1, Wenfeng Mai1
1Medical Imaging Centre, First Affiliated Hospital of Jinan University, Tianhe District, No.613, Huangpu Avenue West, Guangzhou, 510632, Guangdong, China.
Journal of imaging informatics in medicine
|July 3, 2025
概括
这项研究发现,机器学习模型在诊断良性与恶性甲状腺结节方面没有显著差异,无论是分析结节还是整个甲状腺. 这两种方法在区分甲状腺结节方面都显示出可比的诊断性能.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 机器学习 (ML) 在医学成像中对于风险分层和结果评估至关重要.
- 目前针对甲状腺结节的基于结节的ML方法是低效的,忽略了周围信息.
- 整个甲状腺感兴趣区域 (ROI) 为改善诊断准确性提供了一个潜在的替代方案.
研究的目的:
- 评估使用整个甲状腺作为ROI来区分良性和恶性甲状腺结节的有效性.
- 探索整个甲状腺在基于放射学的恶性瘤预测中的应用价值.
- 为了比较整个甲状腺与基于结节的放射学模型的诊断性能.
主要方法:
- 1121名患有甲状腺结节的患者接受了增强对比度的CT扫描.
- 从动脉相图中提取了放射学特征;通过LASSO算法减少维度.
- 四个ML模型 (逻辑回归,决策树,随机森林,SVM) 被训练和验证,比较基于结节的ROI与基于整个甲状腺的ROI.
主要成果:
- 基于结节的逻辑回归在验证组中实现了AUC为0.81 (灵敏度为78.6%,特异性为69.4%).
- 在整个甲状腺随机森林模型中,在验证组中,AUC达到0.80 (灵敏度为90.0%,特异性为51.9%).
- 德隆测试显示,在测试的ML模型中,基于结节的和基于整个甲状腺的策略之间的诊断性能没有显著差异.
结论:
- 在使用基于结节的或基于整个甲状腺的放射学方法区分良性和恶性甲状腺结节时,没有发现显著差异.
- 该研究表明,全甲状腺方法可能为特定病例提供增强的诊断能力,例如带状甲状腺癌 (PTC) 具有不确定的边缘.
- 需要进一步的研究,以充分阐明整个甲状腺放射学在特定甲状腺癌亚型中的潜力.
