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P<0.05).选取SVM筛选的6个预测重要变量绘制的列线图显示纵横比>1、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
作者：孙芳；石岩；刘菲菲；邹颖；崔广和；夏爽
来源：国际医学放射学杂志 2021 年 44卷 4期
