基于AI的血清学指标分析模型在甲状腺疾病辅助诊断中的效能研究OA

目的:探讨基于人工智能(AI)的血清学指标分析模型在辅助诊断甲状腺疾病中的效能。方法:回顾性分析2024年10月—2025年10月于中南大学湘雅二医院甲状腺外科就诊的300例甲状腺疾病患者的临床资料,采集患者术前血清促甲状腺激素(TSH)、游离三碘甲状腺原氨酸(FT_(3))、游离甲状腺素(FT_(4))、甲状腺过氧化物酶抗体(TPOAb)、甲状腺球蛋白抗体(TgAb)等指标数据。以最终病理诊断及临床综合诊断为金标准,将患者分为不同疾病组及对照组。构建并训练逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)、XGBoost以及深度神经网络(DNN)等5种AI模型,对甲状腺疾病进行自动分类与诊断预测,综合评价各模型的诊断准确性、灵敏度、特异度及临床效用。结果:300例患者中,最终诊断分组为对照组(Control组,n=50)、甲状腺功能亢进症组(Hyper组,n=48)、甲状腺功能减退症组(Hypo组,n=42)、自身免疫性甲状腺炎组(AIT组,n=65)、良性甲状腺结节组(BTN组,n=70)和甲状腺恶性肿瘤组(TC组,n=25)。各组血清学指标比较,差异具有统计学意义(P<0.05),组间存在高度异质性。在90例独立测试集上,XGBoost模型表现最佳,总体准确率达92.67%,F1分数宏平均为0.921;其次为RF模型,总体准确率为88.89%,F1分数宏平均为0.879。XGBoost模型对甲状腺功能亢进症的识别表现最为精准,灵敏度达100.00%,F1分数为0.968;在BTN组与对照组的识别任务中,该模型同样展现出较高的精确率与灵敏度,两类场景下的F1分数均>0.930。在甲状腺结节良恶性鉴别诊断中,XGBoost模型的综合表现最优,其AUC值为0.941(95%CI:0.902~0.970),灵敏度为91.47%,特异度为92.96%,准确率达92.22%。基于传统单指标阈值的诊断方法总体准确率仅为77.78%(70/90),显著低于XGBoost模型的92.22%(83/90),该差异具有统计学意义(χ^(2)=7.364,P=0.007)。在测试集中有对应医生初判记录的85例样本中,医生初判的总体准确率为83.53%(71/85),而XGBoost模型在这些病例上的准确率可达94.12%(80/85),二者差异具有统计学意义(χ^(2)=4.800,P=0.028)。在阈值概率0.05~0.6的较宽区间内,采用AI模型辅助决策的策略,相较于“对所有结节行手术”或“不对任何结节行手术”的方案,可获得更高的临床净收益。结论:基于AI的血清学指标分析模型对甲状腺疾病具备高效的辅助诊断价值,可有效提升诊断的准确性与一致性,减少误诊与漏诊事件的发生,对普外科智慧医疗体系的构建具有推动作用,能够为临床决策提供客观的参考依据。