甲状腺结节良恶性鉴别诊断:基于超声可解释性机器学习模型
陈冬冬1
解翔2
詹小林3
虞红珍4
周燕3
陈芳3
1.安徽医科大学第二附属医院 超声科,安徽 合肥 230000;安徽医科大学第一附属医院北区(安徽省公共卫生临床中心)超声科,安徽 合肥 2300002.安徽医科大学第二附属医院 超声科,安徽 合肥 2300003.安徽医科大学第一附属医院北区(安徽省公共卫生临床中心)超声科,安徽 合肥 2300004.安徽医科大学第二附属医院 病理科,安徽 合肥 230000
摘要：目的 探讨基于二维超声及剪切波弹性成像(SWE)结合XGBoost机器学习模型在甲状腺结节良恶性鉴别诊断中的创新性及有效性.方法 分析2021年5月～2022年9月于安徽医科大学第一附属医院北区就诊扫156例甲状腺结节患者(共209个结节)的二维超声图像及SWE测值,以病理为金标准,使用XGBoost算法,建立基于二维超声特征和SWE的机器学习模型.使用Shapley加性解释方法评估特征重要性.绘制ROC曲线,计算ROC曲线下面积,评估XGBoost模型和SWE的诊断效能.采用决策曲线分析和校准曲线用于评估XGBoost模型的应用价值及诊断效能.结果 XGBoost模型在训练队列诊断甲状腺结节良恶性的曲线下面积、准确度、敏感度、特异度、阳性预测值、阴性预测值分别为0.890、0.776、89.6%、65.7%、83.3%、76.7%;在验证队列分别为0.913、0.788、92.7%、64.9%、82.9%、82.8%.决策曲线分析及校准曲线分析显示,XGBoost模型在诊断甲状腺结节良恶性方面展现出了良好的临床应用价值,以及高准确性和可靠性.结论 基于二维超声特征及SWE的XGBoost机器学习模型在甲状腺结节良恶性鉴别诊断中具有重要应用价值,为临床决策提供了新的高效工具.
关键词：弹性成像机器学习鉴别诊断甲状腺结节
资助基金：安徽医科大学校科研基金项目(2021xkj174)
论文发表日期：2024-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 1290-1297 )
英文信息