在贝塞斯达III结节中预测恶性瘤风险:开发和验证多个机器学习模型
Wentian Li1,2, Jiayu Zhu2, Ying Wang1
1Shandong First Medical University (Shandong Academy of Medical Sciences), Jinan, Shandong, China.
Frontiers in endocrinology
|September 15, 2025
概括
这项研究开发了一种机器学习模型,用于预测贝塞斯达III甲状腺结节中的恶性瘤. 后勤回归模型和由此产生的名图显示出降低诊断不确定性和个性化患者风险分层的潜力.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 放射学 放射学是一门学科.
背景情况:
- 贝塞斯达III结节带来了诊断的不确定性.
- 准确的风险分层对于患者管理至关重要.
- 机器学习为提高诊断准确性提供了潜力.
研究的目的:
- 开发和验证基于机器学习 (ML) 的预测模型,用于贝塞斯达III甲状腺结节.
- 根据临床使用的最佳ML模型创建一个名图.
- 为了提高甲状腺结节的诊断准确性和风险分层.
主要方法:
- 追溯收集来自276个贝塞斯达III结节 (2020-2024) 的数据.
- 使用临床,超声波,细胞学,实验室和分子数据评估六种ML算法 (LR,DT,RF,XGB,SVM,KNN).
- 基于表现最好的模型 (物流回归) 开发一个名ogram.
主要成果:
- 在交叉验证中,物流回归 (LR) 模型实现了0.823的ROC曲线下的最高面积 (AUC).
- 最终的名图显示了强大的区分 (AUC:0.846) 和校准.
- 关键预测因素包括BRAF突变状态,结节组成,形状,方向和TI-RADS得分.
结论:
- 后勤回归成为预测贝塞斯达III结节中恶性瘤的最佳ML算法.
- 开发的诺米图为减少诊断不确定性提供了有价值的工具.
- 这种名图为贝塞斯达III结节患者提供了个性化风险分层.
