基于XGBoost的机器学习模型结合了临床和超声波数据,用于个性化预测甲状腺结节恶性瘤
Wenhan Li1,2, Yajing Zhou3, Ziyu Luo1,2
1Department of Surgical Oncology, Shaanxi Provincial People's Hospital, Xi'an, Shaanxi, China.
Frontiers in endocrinology
|August 13, 2025
概括
这项研究开发了一个机器学习模型来预测甲状腺结节恶性瘤. XGBoost模型显示出卓越的准确性,改善了对甲状腺结节的临床决策.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 瘤学和内分泌学.
背景情况:
- 甲状腺结节 (TNs) 很常见,准确的恶性瘤预测至关重要.
- 目前的跨境网络风险分层系统存在局限性.
- 机器学习 (ML) 为复杂的医疗数据提供先进的模式识别.
研究的目的:
- 开发一个ML模型,整合临床和超声数据,以改善TN恶性瘤预测.
- 增强针对甲状腺结节的个性化风险评估.
- 克服现有的TN风险分层方法的局限性.
主要方法:
- 对2014名TNS患者的回顾性分析.
- 使用随机森林和拉索回归的特征选择.
- 使用十倍交叉验证开发和验证六个ML模型 (KNN,物流回归,RF,分类树,SVM,XGBoost).
主要成果:
- 17个变量被确定为TN诊断的影响因素.
- 所有六种ML模型都显示出令人满意的性能 (准确度:0.761-0.851,AUC:0.755-0.928).
- 该XGBoost模型实现了最高的性能 (AUC: 0.928,准确度: 0.851,灵敏度: 0.933,特异性: 0.650).
结论:
- XGBoost模型有效地整合了多模式数据,用于预测TN恶性瘤.
- 这种ML方法为TN风险分层提供了更好的准确性和临床实用性.
- 为实际的临床应用而开发了一个基于网络的计算器.
