通过机器学习开发和验证一种多式放射学-血清生物标志物模型,用于通过机器学习来诊断固体肺结节
Kai Wang1, Xu-Feng Deng1, Zhi Zheng1
1Department of Thoracic Surgery, The Second Affiliated Hospital, Army Medical University, Chongqing, China.
Journal of thoracic disease
|December 11, 2025
概括
结合计算机断层扫描 (CT) 放射学和血清生物标志物的新多式诊断模型显著改善了固体肺结节 (SPN) 的准确分类. 这种方法提高了良性与恶性肺病变的诊断.
科学领域:
- 放射学和医学成像学 医学成像学
- 机器学习在医学中的应用
- 瘤学 诊断 诊断 瘤学
背景情况:
- 肺癌是全球最常见的恶性瘤,通过计算机断层扫描 (CT) 查经常检测到固体肺结节 (SPN).
- 在CT查中高的错误阳性率需要提高SPN的诊断准确性.
- 开发先进的诊断模型对于区分良性和恶性肺病变至关重要.
研究的目的:
- 开发和验证SPN的多式联络诊断模型.
- 使用机器学习将CT放射学功能与血清生物标志物集成在一起.
- 为了提高诊断性能超出单一模式的方法.
主要方法:
- 对633名接受CT查和血清生物标志物检测的患者的638个肺结节 (PNs) 的回顾性分析.
- 开发一种多式模式模型,结合CT放射学 (传统和3D深度学习) 和蛋白质生物标志物.
- 模型验证使用7:3培训验证分割,评估AUC,准确性,PPV和NPV等性能指标.
主要成果:
- 多模式模型在区分良性和恶性SPN方面取得了很高的准确性,在验证组中AUC为0.926.
- 验证组中的性能指标包括88.5%的准确性,0.812的NPV和0.927的PPV.
- 多模式模型显著优于单模式模型:传统的放射学CT (AUC=0.843),血清生物标志物 (AUC=0.783) 和3D深度学习 (AUC=0.820).
结论:
- 一个新的多式联络诊断模型在分类SPN方面表现出了卓越的性能.
- 这种模型可以显著提高良性和恶性肺病变的准确诊断.
- 这些发现为肺结节管理的临床决策提供了宝贵的支持.
