通过基于机器学习的CT放射学,对皮肤状甲状腺小癌中中枢淋巴结转移的非侵入性预测:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 乳头甲状腺小瘤 (PTMC) 在淋巴结转移方面带来了诊断挑战.
• 准确的中枢淋巴结转移 (CLNM) 的术前评估对于PTMC患者的管理至关重要.

研究的目的:

• 开发和验证计算机断层扫描 (CT) 放射学方法,使用机器学习来预测PTMC患者的CLNM.
• 创建一个非侵入性工具,用于手术前评估CLNM状态.

主要方法:

• 从三个医疗中心对921名PTMC患者的回顾性分析.
• 从CT图像中提取和缩小放射学特征的尺寸.
• 应用了五个机器学习分类器,XGBoost因其性能而被选中.
• 构建一个结合放射学分数和临床因素 (年龄,性别) 的诺米克模型.

主要成果:

• 在验证集中,XGBoost分类器实现了0.756的平均AUC.
• 在训练和验证组中,诺莫格拉姆模型显著优于临床模型 (AUC从0.746到0.847不等于0.608到0.706).
• 与仅使用临床和放射学模型相比,该名图显示出更高的临床实用性.

结论:

• 一个以XGBoost为基础的放射学得分与年龄和性别相结合的诺米克模型显示了在PTMC中预测CLNM的高性能.
• 这种非侵入性,易于使用的模型为PTMC的手术前CLNM评估提供了一个有前途的方法.