基于CT放射学的机器学习模型用于预测甲状腺癌中的囊和神经入侵:诊断准确性研究
Fang-Fang Cong1, Ke Tian2, Qian Gao2
1Department of MRI, Zhoukou Medical Science Research Center, Zhoukou Central Hospital, Zhoukou, China.
JMIR medical informatics
|March 12, 2026
概括
对CT扫描的放射性分析可以帮助预测甲状腺癌中的囊入侵,这是神经入侵 (NI) 风险的关键因素. 整合成像和临床数据的机器学习模型显示了改善风险分层的前景.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 在全球范围内,甲状腺癌的发病率正在上升,因此预后因素至关重要.
- 囊入侵和神经入侵 (NI) 显著影响复发和生存.
- 术前对这些因素进行非侵入性评估仍然是一个临床挑战.
研究的目的:
- 确定CT放射性生物标志物用于甲状腺癌中的囊入侵.
- 开发机器学习模型,整合放射性和临床数据,用于NI风险分层.
- 评估这些模型在预测NI风险方面的实用性.
主要方法:
- 对111名甲状腺癌患者的回顾性分析.
- 从CT图像中提取放射性特征 (动脉和静脉阶段).
- 使用临床和放射性数据构建名录,随机森林 (RF) 和神经网络 (NN) 模型.
- 使用5倍交叉验证和引导重新抽样的验证.
主要成果:
- 基于临床指标的诺米克获得了0.9418的AUC,用于囊入侵预测.
- 基于放射性诺米克图的AUC为0.9334的囊入侵和0.8001的跨标签分析.
- 综合的NN模型实现了0.775的AUC跨标签分析,与良好的校准.
结论:
- 囊入侵是甲状腺癌中NI风险的强有力的预测因素.
- 手术前CT放射性模型显示了NI风险分层的潜力.
- 综合成像和临床数据的多式模式增强了术后风险评估.
