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

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