可解释机器学习新方法提升肺结节良恶性诊断精度

2025-05-07 中国科学院深圳先进院 等3家媒体报道 科研进展





打开微信“扫一扫”
点击右上角分享按钮

中国科学院深圳先进技术研究院孙涛副研究员团队联合多家医院，提出了一种融合血流与代谢动态特征的可解释机器学习方法，显著提高了肺结节良恶性分类准确性。该研究基于Bagging集成学习方法，结合LASSO特征筛选和SHAP值可解释性分析，构建了预测模型。在187例训练集上，模型AUC达到0.89，在42例独立验证集上AUC也达到0.86，均显著优于传统参数SUVmax（0.79）和Ki（0.76）。该模型在不同PET/CT设备上表现稳定，推理时间短，具备临床应用潜力，并通过可解释分析展示了每个动态特征在单个病人中的诊断贡献，使医生能够更好地理解和使用。研究成果发表在《European Journal of Nuclear Medicine and Molecular Imaging》上。（摘要由动脉网AI生成）