一种初步的机器学习模型，该模型结合了临床特征、美国数据以及CEUS（Contrast-Enhanced Ultrasound）图像特征，用于诊断甲状腺滤泡状病变

《BMC Medical Imaging》：Preliminary machine-learning model with clinical, US, and CEUS features for the diagnosis of thyroid follicular-patterned lesions

　　

摘要

背景

尽管通过术后组织学检查可以确认滤泡性甲状腺癌存在包膜或血管侵犯，但术前对滤泡样病变的诊断一直是一个挑战。本研究旨在建立一种基于临床、超声（US）和对比增强超声（CEUS）特征的机器学习（ML）模型，以用于甲状腺滤泡样病变（TFPLs）的鉴别诊断。

方法

本研究纳入了2013年1月至2023年4月期间接受术前超声和CEUS检查、且手术病理学确诊为TFPLs的患者。我们使用了五种ML算法（逻辑回归、随机森林[RF]、k最近邻[KNN]、支持向量机[SVM]和弹性网络[EN]），通过超声、CEUS和临床数据构建了一个优化模型，用于TFPLs的鉴别诊断。模型性能通过敏感性、精确度-召回曲线下面积（AUPRC）和接收者操作特征曲线下面积（AUROC）进行评估。

结果

最终共有114名患者被纳入研究。这五种ML算法（逻辑回归、RF、KNN、SVM、EN）在训练集上的敏感性分别为0.93、0.97、0.93、0.97、0.93；在测试集上的敏感性分别为0.40、1.00、0.80、1.00、0.60。AUPRC在训练集上分别为0.91、0.97、0.99、0.91；在测试集上分别为0.65、0.71、0.38、0.57。AUROC在训练集上分别为0.95、0.98、0.99、0.89；在测试集上，RF模型的AUROC值显著高于其他ML算法（0.92；95%置信区间：0.88, 0.96），其显著特征包括周围晕征、甲状腺球蛋白、边缘增强、峰值强度和消退时间。

结论

我们整合了临床、超声和CEUS特征的ML模型在术前鉴别TFPLs方面表现出高敏感性，有望指导手术计划——这是迈向临床应用的重要一步，但需要实现CEUS的标准化和外部验证。

试验注册

本研究已在www.chictr.org.cn（编号：ChiCTR2200066254，日期：2022年11月29日）注册。

背景

尽管通过术后组织学检查可以确认滤泡性甲状腺癌存在包膜或血管侵犯，但术前对滤泡样病变的诊断一直是一个挑战。本研究旨在建立一种基于临床、超声（US）和对比增强超声（CEUS）特征的机器学习（ML）模型，以用于甲状腺滤泡样病变（TFPLs）的鉴别诊断。

方法

本研究纳入了2013年1月至2023年4月期间接受术前超声和CEUS检查、且手术病理学确诊为TFPLs的患者。我们使用了五种ML算法（逻辑回归、随机森林[RF]、k最近邻[KNN]、支持向量机[SVM]和弹性网络[EN]），通过超声、CEUS和临床数据构建了一个优化模型，用于TFPLs的鉴别诊断。模型性能通过敏感性、精确度-召回曲线下面积（AUPRC）和接收者操作特征曲线下面积（AUROC）进行评估。

结果

最终共有114名患者被纳入研究。这五种ML算法（逻辑回归、RF、KNN、SVM、EN）在训练集上的敏感性分别为0.93、0.97、0.93、0.97；在测试集上的敏感性分别为0.40、1.00、0.80、1.00。AUPRC在训练集上分别为0.91、0.97、0.99、0.91；在测试集上分别为0.65、0.71、0.38、0.57。AUROC在训练集上分别为0.95、0.98、0.99、0.89；在测试集上，RF模型的AUROC值显著高于其他ML算法（0.92；95%置信区间：0.88, 0.96），其显著特征包括周围晕征、甲状腺球蛋白、边缘增强、峰值强度和消退时间。

结论

我们整合了临床、超声和CEUS特征的ML模型在术前鉴别TFPLs方面表现出高敏感性，有望指导手术计划——这是迈向临床应用的重要一步，但需要实现CEUS的标准化和外部验证。

试验注册

本研究已在www.chictr.org.cn（编号：ChiCTR2200066254，日期：2022年11月29日）注册。