机器学习和差别分析模型用于预测良性和恶性肺结节
Zhi Li1,2, Wenjing Zhang3, Jinyi Huang1
1The Key Laboratory of Advanced Interdisciplinary Studies, The First Affiliated Hospital of Guangzhou Medical University, The Institute for Chemical Carcinogenesis, School of Public Health, Guangzhou Medical University, Guangzhou, 511436, China.
BMC medical informatics and decision making
|July 18, 2025
概括
一个新的机器学习模型准确地区分良性和恶性肺结节 (PNs),改进了现有的方法. 这种工具通过提高PN分类的准确性来增强早期肺癌检测.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 肺结节 (PNs) 是肺癌的早期指标,但区分良性PNs (BPNs) 和恶性PNs (MPNs) 仍然具有挑战性.
- 目前的查方法产生高错误阳性率,超过90%的检测到的PN是良性的.
研究的目的:
- 开发和验证一个预测模型,准确区分良性和恶性肺结节.
- 为了提高诊断准确度,在区分MPN和BPN方面.
主要方法:
- 一项病例控制研究包括5197名患者,数据随机分配到培训,验证和测试集.
- 三种机器学习算法 (随机森林,梯度提升机,XGBoost) 用于选指标并构建预测模型.
- 选择了表现最好的模型,使用10倍交叉验证进行内部验证,并与现有的PKUPH和Block模型进行比较.
主要成果:
- 在体检人群中,PNS的检测率为21.57%,显示出上升趋势.
- 开发的GMU_D模型显示出优异的区分性能 (AUC = 0.866),优于PKUPH (AUC = 0.559) 和块 (AUC = 0.823) 模型.
- 内部验证证实了该模型的优异性能 (AUC = 0.866).
结论:
- 开发并验证了一种新的预测工具GMU_D模型,用于区分良性和恶性肺结节.
- 该模型提供了出色的预测性能和差异化能力,解决了PN分类当前的挑战.
- 该研究强调了机器学习在提高肺癌查和诊断的准确性方面的潜力.
