基于光谱CT和影像组学特征的机器学习模型和列线图预测甲状腺结节良恶性

摘要

目的：构建光谱CT参数和影像组学机器学习模型预测甲状腺结节良恶性。方法：回顾性分析行光谱CT增强扫描的118例甲状腺结节患者（143个结节，其中包括46例良性结节和97例恶性结节）影像及临床资料，7∶3随机分为训练集（n=100）和验证集（n=43）。采用差异性检验、组间一致性评估以及最小绝对收缩和选择算子算法（least absolute shrinkage and selection operator,LASSO）筛选特征并计算影像组学评分。运用决策树（decision tree,DT）、随机森林（random forest,RF）、极端梯度提升树（extreme gradient boosting,XGBoost）、支持向量机（support vector machine,SVM）、K最近邻（K-nearest neighbor,KNN）和逻辑回归（logistic regression,LR）6种机器学习算法进行建模，筛选最佳的模型并构建列线图。结果：XGBoost模型在验证集中性能最好（曲线下面积：0.938；准确度：86.05%；灵敏度：89.29%；特异度：80.00%），标准化碘值、影像组学评分与年龄是重要且有效的预测因素，构建的列线图具有良好的性能。结论：结合光谱CT和影像组学的机器学习模型及列线图能够为甲状腺结节良恶性的非侵入性预测提供高准确性的参考。

关键词

影像组学 / 机器学习 / 光谱CT / 甲状腺结节