基于MRI影像组学特征的XGBoost模型在原发性脑肿瘤与肺癌脑转移瘤鉴别诊断中的高精度应用

研究人员通过MRI影像组学特征结合XGBoost机器学习算法，开发了原发性恶性脑肿瘤与肺癌脑转移瘤的鉴别诊断模型。该模型在5折交叉验证中展现出卓越性能（ROC-AUC 0.93-0.98），真阳性率最高达97%，为临床精准诊疗提供了客观量化工具。

　　

这项突破性研究将人工智能与医学影像深度融合，通过挖掘磁共振成像(MRI)中隐藏的定量影像组学(Radiomics)特征，训练出性能强悍的极限梯度提升(XGBoost)分类器。科研团队从原发性恶性脑肿瘤和肺癌脑转移患者的MRI扫描中提取了多维特征，构建的模型在5折交叉验证中表现惊艳——曲线下面积(AUC)高达0.98，就像给放射科医生装上了"智能显微镜"，能精准区分这两类容易混淆的病灶（真阳性率97%，真阴性率95.65%）。更令人振奋的是，所有验证指标（准确率、精确度、召回率、F1值）中位数均突破0.90大关，且各折次间波动极小，这种稳定性让算法具备了临床转化潜力。该成果为破解脑部肿瘤鉴别诊断难题提供了可量化、可复制的AI解决方案，或将改写传统依赖主观经验的影像诊断模式。