评估了多个机器学习模型,预测了初级甲状腺功能障碍症中混合成像的结果
Anna Drynda1, Jacek Podlewski2, Karolina Kucharczyk3
1Doctoral School of Medical Sciences and Health Sciences, Jagiellonian University Medical College, Kraków, Poland.
Nuclear medicine review. Central & Eastern Europe
|August 4, 2025
概括
后勤回归和随机森林模型有效地预测了手术前[99mTc]Tc-MIBI SPECT-CT中用于原发性副甲状腺症的放射性追踪器吸收,有助于临床决策.
科学领域:
- 内分泌学 在内分泌学.
- 核医学是一种核医学.
- 医疗成像医学成像
背景情况:
- 初级甲状腺功能障碍症 (PHP) 的诊断依赖于生物化学测试.
- 术前成像,如[99mTc]Tc-MIBI SPECT-CT,可以改善手术结果.
- 预测模型可以识别PHP患者可能有负面成像结果.
研究的目的:
- 在PHP中评估[99mTc]Tc-MIBI SPECT-CT放射追踪器吸收的预测策略.
- 为了识别患有高概率出现阴性手术前成像的患者.
- 为PHP管理开发临床决策工具.
主要方法:
- 后勤回归 (LR),分类树 (CART),随机森林 (RF) 和XGBoost (XGB) 模型的开发和比较.
- 在接受[99mTc]Tc-MIBI SPECT-CT (2010-2022) 的499名PHP患者的数据上训练模型.
- 使用特异性,精度和灵敏度评估模型性能.
主要成果:
- 后勤回归 (LR) 显示出最好的样本外表现 (81.3%的特异性,69.3%的准确性).
- LR,CART和XGBoost在五个关键预测指标上表现良好:PTH,,酸盐,维生素D和超声波损伤直径.
- 随机森林 (RF) 提供了更高的灵敏度 (62.7%),但较低的特异性 (74.2%) 和精度 (68.6%).
结论:
- 后勤回归和射频模型对于预测术前甲状腺成像吸收是有效的.
- 这些模型可以成为临床决策支持软件的基础.
- 虽然CART是可解释的,但它的性能低于LR和RF.
