基于机器学习的肺部实性结节恶性风险预测联合模型的构建与验证：一项双中心研究

《BMC Pulmonary Medicine》：Development and validation of a machine learning-based combined model for malignancy risk prediction in pulmonary subsolid nodules: a dual-center study

　　

摘要

背景

准确识别肺亚实性结节对于选择监测、活检或手术方案至关重要。现有的临床模型是基于更广泛的结节群体开发的，可能无法完全反映肺亚实性结节的放射学和生物学特征。

方法

这项双中心回顾性研究纳入了2018年1月至2024年1月期间经病理学确诊的225例肺亚实性结节患者。其中，研究机构提供了167名患者，这些患者又被分为内部训练组（n?=?118）和内部验证组（n?=?49），而另一家机构则提供了58名患者。在内部训练组中比较了10种机器学习算法。最终形成的综合模型采用了四种常见预测因子：结节棘状结构、实变与肿瘤比例、CYFRA 21???1以及结节直径。研究还进行了区分度分析、校准分析、决策曲线分析、模型间比较以及敏感性分析。

结果

该综合模型在内部训练组、内部验证组以及外部验证组中的AUC值分别为0.932（95%置信区间：0.887–0.977）、0.954（95%置信区间：0.895-1.000）和0.930（95%置信区间：0.864–0.995）。在外部验证中，Mayo模型、VA模型、Brock模型和PKUPH模型的相应AUC值分别为0.750、0.560、0.800和0.840。在三个组别中都进行了校准分析，决策曲线分析显示，在外部验证中，当阈值概率在0.12–0.68之间时，该模型具有明显优势。

结论

这种整合了影像学特征和CYFRA 21???1指标的四变量综合模型，在内部验证组和外部验证组中均表现出良好的区分能力。虽然该网络计算工具可用于研究阶段的危险度评估，但在临床应用之前还需进行前瞻性多中心验证。