基于决策支持系统与人工智能的肾上腺肿瘤分类新方法

为解决肾上腺偶发瘤(AIs)良恶性鉴别难题，研究人员开发了基于12项临床-生化-影像学特征的决策支持系统。通过对256例患者数据的机器学习建模，在不依赖影像组学的情况下实现了91%的平均准确率和94%的平衡准确率，为肾上腺癌早期筛查提供了可靠的自动化分类工具。

　　

肾上腺偶发瘤(Adrenal Incidentalomas, AIs)的临床谱系极为复杂，既包含只需定期监测的良性肿瘤，也涵盖亟需干预的侵袭性恶性肿瘤。随着肾上腺肿瘤发病率持续攀升，开发精准的分类工具成为当务之急。这项回顾性研究创新性地融合12项关键指标——涵盖临床特征、生化指标、流行病学数据和放射学表现，对256例患者进行多维度分析。研究团队训练了多种机器学习模型进行横向比较，最终在有限样本量且未采用影像组学(Radiomics)技术的前提下，取得了令人瞩目的性能：平均分类准确率突破91%，平衡准确率更高达94%。该成果为医疗系统提供了可靠的自动化决策支持框架，其构建的筛查工具有望成为临床医生早期识别恶性肾上腺肿瘤的"智能哨兵"，为及时干预赢得宝贵时间窗口。特别值得注意的是，该模型仅需常规检查数据即可实现高精度预测，在医疗资源受限地区更具推广价值。