基于CT放射组学的可解释机器学习模型用于精确区分恶性和良性子宫内膜肿瘤：双中心研究
计算与语言
2025-06-24 v1
摘要
旨在开发和验证一种基于CT放射组学的可解释机器学习模型，用于精确诊断子宫内膜癌（EC）患者中的恶性与良性。共收录83例EC患者（包括46例恶性和37例良性），数据分为训练集（n=59）和测试集（n=24）。从手术前CT扫描中手动分割感兴趣区域（ROIs），并使用 Pyradiomics 提取1132个放射组学特征。分别实施六种可解释机器学习（ML）建模算法，以确定最佳放射组学流程。通过敏感性、特异性、准确率、精确率、F1分数、AUROC和AUPRC 评估放射组学模型的诊断性能。为增强临床理解和可用性，我们分别实施SHAP分析和特征映射可视化，并评估校准曲线和决策曲线。通过比较六种建模策略，随机森林模型被确定为诊断EC的最佳选择，训练AUROC为1.00，测试AUROC为0.96。SHAP识别了最重要的放射组学特征，揭示所有所选特征均与EC显著相关（P<0.05）。放射组学特征图也为临床应用提供了可行的评估工具。决策曲线分析（DCA）表明，我们的模型相较于“全部”和“无”策略具有更高的净收益，表明其在识别高风险病例和减少不必要的干预方面的临床实用性。总之，基于CT放射组学的可解释ML模型实现了高水平的诊断性能，可用作子宫内膜癌诊断的智能辅助工具。
引用
@article{arxiv.2506.18105,
title = {Chengyu-Bench: Benchmarking Large Language Models for Chinese Idiom Understanding and Use},
author = {Yicheng Fu and Zhemin Huang and Liuxin Yang and Yumeng Lu and Zhongdongming Dai},
journal= {arXiv preprint arXiv:2506.18105},
year = {2025}
}