首页 > 实用医学杂志 > 运用机器学习构建肺癌与肺结核鉴别诊断模型

运用机器学习构建肺癌与肺结核鉴别诊断模型

Constructing a differential diagnosis model for lung cancer and pulmonary tuberculosis using machine learning

二维码有效期 120s

摘要目的运用机器学习方法构建预测模型,用于肺癌与肺结核的鉴别诊断.方法回顾性分析2020年7月至2023年5月在广西壮族自治区胸科医院就诊的585例患者临床资料,年龄14～90岁,其中男457例,女128例.根据临床最终诊断结果,将585例病例分为肺癌组和肺结核组.比较两组病例肿瘤标志物检测结果的差异.运用Lasso和单因素logistic回归分析筛选肺癌与肺结核鉴别诊断的特征变量.构建随机森林模型,并对重要预测变量因素进行排序.构建Lasso-logistic回归模型;通过ROC曲线分析比较随机森林模型和Lasso-logistic回归模型的预测效能.结果肺癌组血清肿瘤标志物CA125、CEA、CYFRA21-1、NSE、SCCA明显高于肺结核组,差异有统计学意义(P＜0.05).Lasso/单因素logistic回归分析筛选出肺癌与肺结核鉴别诊断的特征变量为性别、年龄、CA125、CEA、CYFRA21-1、NSE、SCCA.通过随机森林模型对特征变量进行重要预测变量排序,依次为CYFRA21-1、CEA、SCCA、NSE、CA125、年龄、性别;Lasso-logistic回归分析结果显示,CYFRA21-1、CEA、NSE水平和年龄是区分肺癌与肺结核的独立危险因素(P＜0.05);随机森林模型和Lasso-logistic回归模型鉴别诊断肺癌与肺结核的AUC、灵敏度、特异度、准确度、约登指数分别为 0.938、90.38％、87.50％、0.888、0.779 和 0.958、86.54％、92.19％、0.879、0.787.结论肿瘤标志物CA125、CEA、CYFRA21-1、NSE、SCCA检测在肺癌和肺结核鉴别诊断中具有重要临床意义,本研究构建的随机森林模型和Lasso-logistic回归模型均能很好地区分肺癌和肺结核;Lasso-logistic回归模型确定,CYFRA21-1、CEA、NSE水平和年龄是鉴别肺癌与肺结核的独立危险因素.

作者周游 ^[1] 陈纪飞 ^[2] 何希 ^[2] 刘爱梅 ^[2] 杨小兵 ^[2] 黄一芳 ^[3] 学术成果认领

作者单位 广西医科大学第一附属医院检验科,广西高校临床检验诊断学重点实验室(广西南宁 530021);广西壮族自治区胸科医院科教科生物样本库(广西柳州 545005) ^[1] 广西壮族自治区胸科医院科教科生物样本库(广西柳州 545005) ^[2] 广西医科大学第一附属医院检验科,广西高校临床检验诊断学重点实验室(广西南宁 530021) ^[3]

关键词机器学习随机森林鉴别诊断肺癌肺结核 machine learning random forest differential diagnosis lung cancer pulmonary tu-berculosis

分类号 R446.61（诊断学）

栏目名称

专题报道:结核病

DOI 10.3969/j.issn.1006-5725.2026.07.006

发布时间 2026-04-16（万方平台首次上网日期，不代表论文的发表时间）

基金项目

广西科技重大专项（AA22096027）广西医疗卫生适宜技术开发与推广应用项目（S2023050）