Page 80 - 南京医科大学自然版
P. 80

第44卷第7期
               ·964 ·                          南   京 医 科       大 学      学 报                        2024年7月


                      A
                                        0    10   20   30   40    50   60   70   80    90  100
                                   Point

                                    Age
                                       85 75 65 55 45 35 25 15


                                    NIC
                                            3.5  3.0  2.5  2.0  1.5  1.0  0.5  0  -0.5 -1.0  -1.5 -2.0

                                 Radscore
                                      -3.0 -2.5-2.0-1.5-1.0 -0.5 0  0.5 1.0 1.5 2.0 2.5

                                Total point
                                        0    20    40    60    80   100   120   140   160   180
                                                                      0.2 0.40.60.8
                         Diagnostic possibility
                                                                    0.1 0.3 0.5 0.7 0.9
                      B                                         C
                                                  Nomo              1.0
                         0.6                      All
                                                  None
                                                                    0.8
                        Net benefit  0.4                           Actual probability  0.6


                         0.2
                                                                    0.4

                                                                    0.2
                          0                                                             Ideal
                                                                                        Apparent
                            0    0.2  0.4  0.6  0.8  1.0             0                  Bias⁃corrected
                                   Threshold probability               0    0.2  0.4  0.6  0.8  1.0
                                                                              Predicted probability
                           1∶100 1∶4  2∶3  3∶2  4∶1 100∶1
                                     Cost∶Benefit                 B=500 repetitions,boot Mean absolute error=0.102,n=43

                 A:A nomogram was constructed for the training set,incorporating Radscore,NIC,and age. B:Decision curve analysis(DCA)for the validation set.
              The horizontal axis represents the threshold probability,while the vertical axis indicates net benefit. The red line depicts the assumption of all cases
              being malignant;the green line represents the assumption of all cases being benign. The DCA of the validation set reveals that when the threshold
              exceeds 20%,predictions made using the nomogram offer better clinical benefits. C:The calibration curve for validation set was obtained through 500
              bootstrap resampling. The 45° line represents ideal performance,and a closer proximity between the two curves indicates higher precision. The absolute
              error of the validation set was 0.102.
                                          图4 列线图(A)、校准曲线(B)与决策曲线(C)分析
                                   Figure 4 The nomogram(A),DCA(B),and the calibration(C)curves


              误差,其引入了正则化算法,有效提高了鲁棒性的                            同设备的数据,需进一步扩大数据量以增强模型的
              同时降低了过拟合         [24] ,在处理大规模数据和异常值               性能和泛化能力;第三,即便采用了ICC以增加结果
              等情况下表现出很好的实用价值。为了更加直观                             的可重复性,但由于CT增强后甲状腺肿瘤边缘的模
              和便于临床应用,本研究通过 SHAP 值排列了模型                         糊现象不可避免,会对图像的手动分割准确度造成
              中各个特征的重要性,并纳入了NIC、Radscore 与年                     一定影响。
              龄这3个特征建立了列线图,通过决策曲线分析,发                                综上所述,本研究通过 XGBoost 算法整合了
              现列线图对临床决策有明显的净效益,能够指引临                            DSCT参数、临床因素及影像组学特征的ML模型及
              床医生做出更加精确的判断。                                     列线图,该模型可以无创地预测甲状腺结节的良恶
                  本研究存在一些局限性:首先,回顾性的研究                          性,为临床决策提供直观且可靠的参考。
              和较小的样本量使得结果存在一定偏倚;其次,在                            [参考文献]
              提升预测效能方面,尽管比较了多种 ML 算法的表
                                                                [1] ARAQUE D V P,BLEYER A,BRITO J P. Thyroid can⁃
              现,但研究设备仅限于 DSCT,缺少来自多中心及不                              cer in adolescents and young adults[J]. Future Oncol,
   75   76   77   78   79   80   81   82   83   84   85