通过神经网络驱动的MIA3G多变量指数测定,卵巢癌的外科考虑得到了明显的改善

科学领域:

• 妇科瘤学 妇科瘤学
• 人工智能在医学中的应用
• 生物标志物发现发现

背景情况:

• 外科手术是副质的首要治疗方法,但只有10-15%是恶性,导致许多不必要的手术.
• 建议采用基于监测的方法,以优化怀疑卵巢癌的手术转诊.
• 之前的工作确定了MIA3G深度神经网络算法的临床性能,用于卵巢癌风险评估.

研究的目的:

• 评估MIA3G算法的有效性,以改善附质女性的外科选择.
• 评估MIA3G对减少不必要的手术和提高恶性瘤预测的影响.

主要方法:

• 使用七个血清生物标志物,年龄和更年期状态的MIA3G算法,应用于785名附质群的女性的血清样本.
• 在初级队列中,医生无法获得MIA3G评分,用于初次手术转诊决策.
• 性能与实际手术结果进行了比较,并在一个独立的队列中验证,医生使用了MIA3G.

主要成果:

• 根据MIA3G指导的转诊可以使手术减少62% (77%在绝经前,70%在55岁以下).
• 当使用MIA3G时,恶性病的预测精度提高了431%,精度为90.00%,而没有它时的精度为9.18%.
• 一个独立的队列显示了87%的手术减少和96.55%的准确性和与MIA3G利用一致.

结论:

• MIA3G显著增强了医生在附质中进行手术干预的决策.
• 该算法显著改善恶性瘤预测,可能减少不必要的手术.
• 作为诊断工具的MIA3G的临床实施可以优化患者管理和资源分配.