超声临床特征与拉曼光谱整合的多模态机器学习框架用于甲状腺细胞学诊断

《BMC Medical Informatics and Decision Making》：Improving thyroid cancer diagnosis through stacked explainable machine learning integrating ultrasound and Raman cytological features

　　**摘要****背景**甲状腺细胞学诊断的不确定性仍是一项诊断挑战。我们研究了是否可以将源自超声的临床特征与细针穿刺样本获取的拉曼光谱整合到一个可解释的多模态机器学习框架中。**方法**分析队列包括来自单一中心并接受甲状腺手术的203例患者，根据术后组织学分类，其中64例为滤泡腺瘤（FA），139例为恶性病变。恶性病变类别包括117例乳头状甲状腺癌（PTC）、21例滤泡变异型乳头状甲状腺癌（FV-PTC）和1例FA+PTC混合型病变。固定的主要架构通过逻辑回归元学习者将临床逻辑回归分类器与原始拉曼Extra Trees分类器相结合。内部验证采用分层五折交叉验证重复20次，所有数据依赖的预处理、堆叠和运行阈值选择均限制在对应的训练数据中。**结果**堆叠模型的平均重复折外AUC为0.856（95%病例水平自助法置信区间0.796–0.909；重抽样标准差0.011）。在93例TIR3A/TIR3B病例的探索性留出分析中，相应AUC为0.859（95%置信区间0.783–0.922；重抽样标准差0.019）。SHAP分析识别出依赖于模型的临床和拉曼关联，这些关联在重抽样外折中在临床特征水平和拉曼区域水平上保持稳定。**结论**该多模态模型在单一中心手术选择的队列中显示出有前景的内部区分能力。在评估临床效用或对手术管理产生任何影响之前，需要对锁定模型和预设临床决策策略进行前瞻性多中心验证。