开发,验证和比较2个超声波特征导向机器学习模型,以区分宫淋巴瘤

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 宫淋巴腺病的诊断依赖于成像和临床数据.
• 机器学习模型为改善诊断准确性提供了潜力.

研究的目的:

• 开发和验证两种机器学习模型,使用超声波特征区分宫淋巴腺病.
• 为了比较决策树模型与反向传播神经网络的诊断性能.

主要方法:

• 收集了来自705名患者的B模式和彩色多普勒超声波数据.
• 开发了结合临床和超声波特征的决策树和反向传播模型.
• 使用曲线下面面积 (AUC),准确性,精度,回忆和F1分数来评估模型性能.

主要成果:

• 与反向传播模型相比,决策树模型在验证队列中显示出更高的性能指标.
• 验证中的决策树AUC:0.817与BP模型相比AUC:0.674.
• 决策树在区分宫淋巴腺病变方面获得了卓越的准确性,精度,回忆和F1分数.

结论:

• 超声波特征指导决策树模型在诊断宫淋巴腺病症方面比后传播模型更有效.
• 机器学习,特别是决策树,在提高宫淋巴腺病的诊断方面表现有前途.