基于机器学习的总体和内部超声波特征的量化,用于诊断恶性部分囊性甲状腺结节
Yutong Zhang1, Jue Jiang1, Aqian Chen1
1Department of Ultrasound, The Second Affiliated Hospital of Xi 'an Jiaotong University, Xi'an, China.
Frontiers in endocrinology
|August 22, 2025
概括
机器学习通过分析超声波数据准确识别恶性部分囊性甲状腺结节 (PCTNs). 结合整体和内部结节特征的综合模型显示了PCTN的优异诊断性能.
科学领域:
- 放射学和医学成像
- 医学的人工智能
- 癌症学
背景情况:
- 有恶性潜力的部分囊性甲状腺结节 (PCTNs) 由于微妙的超声波特征而经常被低估.
- 准确区分良性PCTN与恶性PCTN对于适当的患者治疗至关重要.
研究的目的:
- 开发和验证一个机器学习 (ML) 模型,以使用全面的超声波特征来改进PCTN恶性潜在的检测.
- 评估整合ML模型的诊断性能,包括整体和内部结节超声波特征.
主要方法:
- 用机器学习 (ML) 应用到定量超声波评估的486个PCTN的回顾性分析.
- 使用整体结节特征,内部固体部分特征和综合方法的三个诊断模型的开发.
- 在训练和测试方面,数据集分为7:3的比例,强调了显著的低生殖性和化等超声波特征.
主要成果:
- 综合的ML模型在测试数据上获得了0.96 (0.93-0.99) 的曲线下面面积 (AUC) 的卓越诊断性能.
- 这种综合模型在识别恶性PCTN方面表现出高精度 (0. 91),灵敏度 (0. 88) 和特异性 (0. 92).
- 综合模型显著优于仅使用整体结节特征的模型 (AUC=0. 85).
结论:
- 基于ML的方法整合了全面的超声波指标,为可靠的恶性PCTN识别提供了临床实用性.
- 这种由人工智能驱动的工具可以帮助临床医生更好地评估部分囊性甲状腺结节的恶性瘤风险.
- 建议进一步验证此集成的ML模型,以便在临床上广泛采用.
