基于光谱CT各参数的甲状腺良恶性结节学习模型的构建及应用

摘要

目的 分析基于光谱CT各参数构建的机器学习模型预测甲状腺良恶性结节的可行性。方法 回顾性分析2021年9月～2022年12月经手术病理证实的185例甲状腺结节患者资料。根据病理结果将患者分为恶性结节组（n=106）及良性结节组（n=79），提取10个光谱CT参数构建6种机器学习模型，通过ROC曲线评价各模型预测甲状腺结节良恶性的效能，比较模型曲线下面积的差异。结果 预测甲状腺良恶性结节的极端梯度提升、随机森林、支持向量机、K最近邻学习模型、逻辑回归及决策树的AUC值分别为0.833、0.814、0.813、0.807、0.799、0.776，敏感度分别为0.833、0.833、0.800、0.733、0.767、0.733，特异度分别为0.808、0.769、0.731、0.846、0.808、0.731，准确度分别为0.821、0.804、0.768、0.786、0.786、0.732。结论 基于光谱CT各参数构建预测甲状腺良恶性结节的学习模型效能较好，最优预测模型为XGBoost。

关键词

甲状腺结节 / 甲状腺癌 / 光谱CT / XGBoost / 能谱曲线