机器学习技术在子宫内膜异位症诊断中的应用
Ningning Zhao1, Ting Hao1, Fengge Zhang1
1Department of Obstetrics and Gynecology, Shunyi Women's and Children's Hospital of Beijing Children's Hospital, No. 1 of shun Hong Road, Shunyi District, Beijing, 101300, China.
BMC women's health
|September 5, 2024
概括
机器学习改善了子宫内膜异位症的诊断. 将碳水化合物抗原125 (CA125) 与中性粒细胞与淋巴细胞比率 (NLR) 的结合提高了准确性,提供了一种新的诊断方法.
科学领域:
- 妇产科和产科 妇产科和产科
- 医疗信息学 医疗信息学
- 生物标志物发现发现
背景情况:
- 子宫内膜异位症 (EM) 诊断仍然具有挑战性,通常需要侵入性方法.
- 目前的诊断工具在灵敏度和特异性方面存在局限性.
- 早期检测需要新的非侵入性诊断标记物.
研究的目的:
- 评估机器学习 (ML) 算法的有效性,以诊断子宫内膜异位症.
- 为了比较各种ML模型的诊断性能.
- 为了确定最佳的生物标志物,以改善EM检测.
主要方法:
- 一项比较研究包括106名EM患者和203名非EM对照.
- 分析了血清指标,包括碳水化合物抗原125 (CA125) 和中性粒细胞与淋巴细胞的比率 (NLR).
- 开发了包括随机森林在内的机器学习模型,以预测EM存在.
主要成果:
- 随机森林算法优于其他ML方法.
- 将CA125与NLR结合起来,与单独使用CA125 (75.8%) 相比,显著提高了EM预测准确度 (78.16%).
- 合并的CA125和NLR模型实现了更高的曲线下的面积 (AUC) 0.85.85.
结论:
- 与NLR结合的血清CA125与单独的CA125相比,对于子宫内膜异位症具有更高的诊断价值.
- 中性粒细胞与淋巴细胞的比率 (NLR) 显示出作为EM诊断的补充生物标志物的潜力.
- 这种基于ML的方法为临床子宫内膜异位症检测提供了有希望的见解.
