开发预测模型来估计未来的卵巢病变风险:一个多中心的回顾性研究
Bilin Jing1, Gaowen Chen1, Miner Yang2
1Zhujiang Hospital of Southern Medical University, Guangzhou 510280, China.
Preventive medicine reports
|July 17, 2023
概括
机器学习模型,特别是随机森林 (RF),在预测卵巢病变方面表现出很高的准确性. 这些模型可以帮助进行卵巢癌的手术前诊断,改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 生物医学工程 生物医学工程
- 医疗信息学 医疗信息学
背景情况:
- 卵巢病变需要准确的手术前预测来指导治疗策略.
- 目前的诊断方法在区分良性和恶性卵巢疾病方面可能存在局限性.
- 血清生物标志物为评估卵巢病变提供了一种非侵入性的方法.
研究的目的:
- 开发和验证机器学习模型,以使用血清生物标志物进行卵巢病变的术前预测.
- 为了比较各种机器学习算法在分类卵巢病变方面的性能.
- 确定区分良性和恶性卵巢疾病的关键预测因子.
主要方法:
- 共有1655名患有卵巢病变的患者被纳入培训,测试和外部验证队列.
- 使用了五个机器学习分类器 (随机森林,XGBoost,SVC,KNN,MLP) 和一个Lasso-Logistics回归模型.
- 诊断信息来自23个预测因素,包括血清生物标志物和临床数据.
主要成果:
- 随机森林 (RF) 模型在预测良性和恶性卵巢疾病方面表现出高的诊断准确性 (AUC = 0.968).
- 射频模型有效地区分了卵巢边缘瘤 (AUC = 0.742),卵巢血清腺癌 (AUC = 0.943),以及卵巢内膜异位症囊 (AUC = 0.914).
- 年龄和特定的生物标志物 (MLR) 被确定为潜在的诊断指标,以及瘤指标.
结论:
- 随机森林模型显示了作为卵巢癌手术前预测辅助工具的巨大潜力.
- 这些机器学习方法可以有效地预测副病变,有助于临床决策.
- 这项研究强调了将血清生物标志物与机器学习相结合的实用性,以改善卵巢病变诊断.
