基于超声影像构建机器学习模型预测甲状腺良恶性结节

摘要

目的 构建基于超声影像特征的机器学习模型预测甲状腺结节的良恶性,选择最佳模型以准确预测甲状腺结节的良恶性.方法 回顾性分析有明确病理结果的甲状腺结节病人2410例共2516个结节的超声影像特征.使用SPSS Modeler18.0统计软件,将结节随机分为训练队列和验证队列,训练队列包括1992个结节(80％),验证队列包括524个结节(20％).在训练队列和验证队列中,分别使用支持向量机(SVM)、Logistc回归分析、分类回归树(C&R)、决策树(C5.0)、贝叶斯网络和类神经网络6个分类器构建机器学习模型.采用受试者操作特征(ROC)曲线下面积(AUC)分析模型的原始倾向评分,以评估6种模型的预测能力;并使用DeLong检验比较6种模型的预测能力.选择预测能力最好的机器学习模型,筛选预测重要变量.使用R软件,基于训练队列数据绘制列线图,并基于训练队列及验证队列数据绘制校准曲线对列线图进行验证.结果 在训练队列和验证队列中,SVM相比其他模型预测甲状腺结节良恶性的能力最好,AUC分别为0.983和0.973(均P1、微钙化、包膜外侵犯评分最高,其次为边缘、桥本氏甲状腺炎及回声水平.训练队列和验证队列的校准曲线均显示,列线图的预测结果与实际结果有良好的一致性.结论 基于超声影像特征构建的机器学习模型可以准确预测甲状腺结节的性质,其中SVM的预测能力最高.