基于神经网络的甲状腺肿瘤复发风险评估模型

摘要

目的：开发基于神经网络的甲状腺肿瘤患者术后复发预测的深度学习模型，并通过外部验证，为临床医生提供可靠的决策支持参考工具。方法：基于人工神经网络结构，使用SEER数据库筛选得到的甲状腺肿瘤数据作为训练集，并使用加利福尼亚大学尔湾分校（UCIrvine）公布的开源数据以及来自湖南省某大型三甲医院的100例患者数据进行外部验证。模型通过多项性能指标评估其预测复发的准确性与可靠性。结果：实验结果显示，该模型在复发预测中的表现优于Logistic模型。内部验证的具体结果为：准确率0.915 3，召回率0.981 8，精确率0.921 1,F1值为0.947 4;UCIrvine验证集上的具体结果为：准确率0.832 9，召回率0.945 5，精确率0.841 4,F1值为0.890 4,ROC＿AUC为0.78；本地验证集的具体结果为：准确率0.870 0，召回率0.880 0，精确率0.862 7,F1值为0.871 3,ROC＿AUC为0.80。结论：基于人工神经网络的预测模型在甲状腺肿瘤复发预测中表现出色，为临床医生提供有效的辅助决策工具，有助于优化术后治疗方案和提高患者预后管理。

关键词

甲状腺肿瘤 / 术后复发 / 机器学习 / 人工神经网络

基金资助

湖南省心血管智能医疗临床医学研究中心（2021SK4005）