基于内镜特征和标准化色彩指标的机器学习模型,可以预测早期胃癌中下粘膜入侵的情况
Keyan Chen1, Ye Wang1, Yanfei Lang1
1Department of Gastroenterology, Peking University Third Hospital, Beijing, 100191, China.
Scientific reports
|May 7, 2024
概括
准确预测早期胃癌 (EGC) 透深度至关重要. 这项研究开发了使用色度测量和机器学习的模型,提高了诊断精度,以便更好地做出临床决策.
科学领域:
- 胃肠病学 胃肠病学
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 早期胃癌 (EGC) 诊断的常规内镜依赖于主观的解释.
- 准确评估EGC透深度对于治疗规划至关重要.
研究的目的:
- 开发一个更准确的 EGC 透深度的预测模型.
- 将标准化色度测量系统集成到EGC的预测建模中.
主要方法:
- 追溯分析了718个EGC案件.
- 使用国际生态委员会 (CIE) 的色度测量系统来量化损伤的色度.
- 开发了使用后勤回归,决策树和随机森林算法的预测模型.
主要成果:
- 后勤回归确定了关键因素,包括位置,宏观类型和WLI颜色差异.
- 决策树和随机森林模型实现了高诊断性能 (分别为AUROC 0.810和0.844).
- 量化色彩指标显著提高了EGC入侵深度的诊断精度.
结论:
- 标准化的色度分析和机器学习模型提高了EGC透深度预测的准确性.
- 开发的诺米克和机器学习模型为EGC管理中的临床决策提供了有价值的工具.
