SPECT/CT影像组学机器学习模型鉴别甲状旁腺腺瘤与甲状旁腺增生
RSS 订阅 · 中国医学影像技术
本研究回顾性收集91例SPECT/CT提示甲状旁腺异常且经术后病理证实为PA或PH的患者（PA 40例44灶，PH 51例135灶），基于SPECT/CT病灶ROI提取影像组学特征，以LR、SVM、MLP、RF四种机器学习算法建模。结果显示SVM模型性能最佳，训练集与测试集AUC分别为1.000和0.931；结论为SPECT/CT影像组学机器学习模型鉴别PA与PH效能良好。
要点
- SPECT/CT影像组学机器学习模型可辅助鉴别甲状旁腺腺瘤与增生。
- SVM模型测试集AUC最高（0.931），优于LR、MLP和RF。
- PA与PH组间性别、血生化指标及病灶数量差异有统计学意义。
核心结论
- SPECT/CT影像组学机器学习模型用于鉴别甲状旁腺腺瘤与甲状旁腺增生效能良好，其中SVM模型测试集AUC最高（0.931）。
研究设计与样本
- 回顾性研究，纳入91例（PA 40例44灶，PH 51例135灶），参考标准为术后病理。
- 基于SPECT/CT病灶ROI提取影像组学特征，按7∶3分训练集（125灶）与测试集（54灶）。
- 分别采用LR、SVM、MLP及RF构建预测模型并计算AUC。
诊断标准与关键数值
- LR模型鉴别PA与PH的AUC：训练集0.931、测试集0.817。
- SVM模型鉴别PA与PH的AUC：训练集1.000、测试集0.931。
- MLP模型鉴别PA与PH的AUC：训练集1.000、测试集0.835。
- RF模型鉴别PA与PH的AUC：训练集1.000、测试集0.884。
- PA与PH组间性别、PTH、血钙、血磷、碱性磷酸酶、肌酐及病灶数量差异均有统计学意义（P均＜0.05）。
临床应用与阅片要点
- 阅片时可利用SPECT/CT影像组学模型辅助判断病灶性质，但不能替代病理诊断。
- 优先参考SVM模型预测结果，其测试集AUC最高。
- 结合血清学及病灶数量等指标综合判断可提高诊断信心。
局限性
- 研究为回顾性设计，可能存在选择偏倚。
- 仅按训练集与测试集划分，未进行外部验证。
原文图文
目的 观察SPECT/CT影像组学机器学习模型用于鉴别诊断甲状旁腺腺瘤（PA）与甲状旁腺增生（PH）的价值。方法 回顾性收集91例SPECT/CT检查提示甲状旁腺异常并经术后病理证实为PA（PA组，包括40例共44个病灶）或PH（PH组，含51例共135个病灶）；按7∶3比例将病灶分为训练集（n=125）与测试集（n=54）。基于病灶ROI获取其SPECT/CT影像组学特征，并通过降维筛选最优组学特征；分别采用逻辑回归（LR）、支持向量机（SVM）、多层感知机（MLP）及随机森林（RF）4种机器学习算法构建预测模型。绘制受试者工作特征（ROC）曲线，计算曲线下面积（AUC），评估模型鉴别效能。结果 组间患者性别，血清甲状旁腺激素、血钙、血磷、碱性磷酸酶及肌酐，以及病灶数量差异均有统计学意义（P 均＜0.05）。LR模型在训练集和测试集的AUC分别为0.931、0.817，SVM模型分别为1.000、0.931，MLP模型分别为1.000、0.835，RF模型分别为1.000、0.884。结论 SPECT/CT影像组学机器学习模型用于鉴别PA与PH效能良好。
来源：中国医学影像技术，查看原文。版权归原作者所有。
引用
- www.cjmit.com：SPECT/CT影像组学机器学习模型鉴别甲状旁腺腺瘤与甲状旁腺增生
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。