摘要
摘要目的探讨结合患者临床信息和CT特征构建的基于机器学习的非参数诊断模型判定多发肺结节中实性结节性质的效力。方法回顾性收集北京大学人民医院2010年1月至2018年12月收治的287例多发肺结节患者切除的446个实性结节的病例资料。患者男性117例，女性170例，年龄（61.4±9.9）岁（范围：33~84岁）。将结节按4∶1的比例随机分为训练集（228例，357个结节）和测试集（59例，89个结节），对比不同机器学习算法并选用最优的极致梯度提升（XGBoost）算法建立预测模型（PKU-ML模型）。在测试集上验证该模型准确性，并与其他模型进行比较。最后使用独立的单发实性结节数据集［155例，男性95例，年龄（62.3±8.3）岁（范围：37~77岁）］验证模型预测单发实性结节性质的准确性。采用受试者工作特征曲线的曲线下面积评估模型诊断效力。结果PKU-ML模型在训练集中的曲线下面积为0.883（95%CI：0.849~0.917）；在测试集中的曲线下面积为0.838（95%CI：0.754~0.921），优于用于预测单发实性结节的Brock模型（0.709，95%CI：0.603~0.816，P=0.04）、Mayo模型（0.756，95%CI：0.656~0.856，P=0.01）和VA模型（0.674，95%CI：0.561~0.787，P<0.01），与PKUPH模型相当（0.750，95%CI：0.649~0.851，P=0.07）。PKU-ML模型在独立单发实性结节数据集中的表现良好，曲线下面积为0.786（95%CI：0.701~0.872）。结论基于机器学习构建的PKU-ML模型能够更好地预测多发肺结节中实性结节的性质，其预测效力高于常用的参数模型，并且在预测单发实性肺结节良恶性上也有较好表现。
出版日期
2022年12月13日（中国期刊网平台首次上网日期，不代表论文的发表时间）
