换一批机器学习联合C-TIRADS及BRAF V600E诊断Bethesda Ⅰ/Ⅲ类甲状腺结节的价值
The Value of Machine Learning Combined with C-TIRADS and BRAF V600E for Diagnosis of Bethesda Ⅰ/Ⅲ Thyroid Nodules
摘要目的 探讨超声特征机器学习模型联合中国甲状腺影像报告和数据系统(C-TIRADS)及BRAF V600E基因检测对BethesdaⅠ/Ⅲ类甲状腺结节的诊断价值.方法 回顾性收集312例经细针穿刺细胞学检查诊断为Bethesda Ⅰ/Ⅲ类且获病理结果的患者.提取超声特征、C-TIRADS分类及BRAF V600E数据,构建8种机器学习模型(轻量梯度提升、极限梯度提升等)及Logistic回归模型,通过受试者工作特征曲线、精确率-召回率曲线比较诊断效能.结果 结节最大径、方位、边缘、回声为关键超声特征(P＜0.05).轻量梯度提升模型曲线下面积(AUC)最高(AUC=0.937).联合超声特征、C-TIRADS及BRAF V600E的Logistic模型AUC为0.896(95％CI:0.857～0.934),高于单一或两两联合方法(P＜0.05).结论 超声特征机器学习模型联合C-TIRADS及BRAF V600E可提升该类结节的鉴别效能.
更多相关知识
关键词
甲状腺结节超声特征机器学习C-TIRADSBRAF V600E基因Thyroid noduleUltrasonic featuresMachine learningC-TIRADSBRAF V600E gene
栏目名称
DOI
10.3969/j.issn.1002-0101.2025.10.006
发布时间
2025-10-31（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
