通过基于临床参数的机器学习模型进行绝经后子宫内膜非良性病变风险分类
1Department of Obstetrics and Gynecology, People's Hospital, Peking University, Beijing, China.
Computers in biology and medicine
|March 14, 2024
概括
使用随机森林 (RF) 算法的机器学习模型有效地识别了绝经后患有异常增生症 (AH) 和子宫内膜癌症 (EC) 的女性,达到88.1%的灵敏度和0.93 AUC.
科学领域:
- 妇科瘤学 妇科瘤学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 绝经后子宫内膜病变需要准确的分类来指导临床管理.
- 区分良性疾病,非典型增生症 (AH) 和子宫内膜癌 (EC) 是至关重要的.
研究的目的:
- 开发和评估一种机器学习模型,用于对绝经后妇女的非良性子宫内膜病变进行分类.
- 使用非侵入性临床参数来预测非典型增生症 (AH) 和子宫内膜癌 (EC).
主要方法:
- 收集了999名绝经后患者的临床数据,确定了57个相关特征.
- 对比了各种机器学习模型,包括随机森林 (RF),XGBoost和后勤回归.
- 在152名患者的独立数据集上验证了模型性能,使用AUC,灵敏度和特异性.
主要成果:
- 随机森林 (RF) 模型获得了最高的性能,测试组的灵敏度为88.1%,AUC为0.93.
- 与其他评估模型相比,RF显示出对非良性子宫内膜损伤的优越识别能力.
- 该模型被集成到临床决策支持系统 (CDSS) 中,用于持续验证.
结论:
- 一个机器学习模型,特别是RF,显示出高分辨能力,用于识别处于风险的绝经后患者.
- 这种方法为风险分层提供了一种新的策略,有可能改善查和临床干预.
- 部署的系统有助于持续的性能验证和优化.
