| 李鑫焱，张文鑫，杨玉娥，刘菲菲，孙芳.基于超声组学构建机器学习模型优化甲状腺C-TIRADS4a和4b结节分类[J].放射学实践,2025,(10):1315-1319 |
| 基于超声组学构建机器学习模型优化甲状腺C-TIRADS4a和4b结节分类 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.10.018 |
| 中文关键词: 甲状腺结节 超声检查 机器学习 |
| 基金项目:山东省自然科学基金项目（ZR2023MH348；ZR2023QH231） |
|
| 摘要点击次数: 29 |
| 全文下载次数: 27 |
| 中文摘要: |
| 【摘要】目的：探讨基于超声组学构建机器学习模型优化中国甲状腺影像报告和数据系统（C-TIRADS）4a及4b结节分类的价值。方法：共纳入575名甲状腺结节患者，按照8:2的比例随机分为训练集和验证集。从超声图像中提取组学特征，并通过降维筛选出最优特征子集构建轻量梯度提升机（LightGBM）和随机森林（RF）两个模型。分别计算两个模型诊断的最佳截断值，并据此将患者分为良性和恶性倾向两组。结合两个模型判定结果对C-TIRADS分类进行优化，对于4a类结节，若两个模型均判为良性，则降为3类，若两个模型均判定为恶性，则升为4b类，否则维持4a类。对于4b类结节，若两个模型均判定为良性，则降为4a类，若两个模型均判为恶性，则升为4c类，否则维持4b类。应用受试者工作特征曲线下面积（AUC）评估优化前后的性能。结果：共提取464个影像组学特征，最终筛选出21个特征构建LightGBM和RF模型。当两个模型截断值分别为0.486和0.501时，模型在区分良恶性倾向方面性能最优。结合模型判定对C-TIRADS分类进行优化，训练集中152个4a类结节降为3类，62个4a结节升为4b类，38个4b结节降为4a类，106个4b类结节升至4c类，AUC由0.692提高至0.847。验证集中仍展现出良好的优化性能，AUC由0.688升至0.767。Delong检验显示C-TIRADS优化前后AUC差异均有统计学意义（P＜0.05）。结论：通过超声组学特征构建的机器学习模型来优化甲状腺C-TIRADS4a和4b结节的分类能显著提升诊断准确度。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
