在被诊断为子宫内皮内瘤的患者中,用于预测并发性子宫内膜癌的机器学习

科学领域:

• 妇科瘤学 妇科瘤学
• 机器学习在医学中的应用
• 病理学 病理学 病理学

背景情况:

• 子宫内皮内瘤 (EIN) 是子宫内皮癌 (EC) 的前体.
• 在EIN患者中准确预测并发EC对于适当的管理至关重要.
• 机器学习 (ML) 提供了提高诊断准确性的潜力.

研究的目的:

• 确定诊断为EIN的患者同时EC的临床病理因素.
• 评估ML模型在区分EIN与并发EC时的有效性.

主要方法:

• 对160名活检证明EIN的患者进行了回顾性分析.
• 使用临床和病理变量开发和测试48ML模型.
• 使用灵敏度,特异性,PPV,NPV和AUC进行交叉验证的性能评估.

主要成果:

• 37.5%的EIN患者同时患有EC.
• 在无变量分析中没有发现任何显著的预测因素.
• ML模型显示高特异性 (71%-88%),但敏感性低 (23%-51%);随机森林获得了最高的AUC (0.646).

结论:

• 目前的ML算法无法可靠地预测EIN患者的并发EC.
• 手术分期,包括哨戒淋巴结评估,可能有价值,以指导EC病例的辅助治疗.