基于放射学模型的开发和验证,用于预测宫癌IB1至IIA2阶段的参数入侵
1Department of Obstetrics and Gynecology, Jingzhou Hospital Affiliated to Yangtze University,Jingzhou Central Hospital, Jingzhou, Hubei, People's Republic of China.
International journal of general medicine
|September 9, 2024
概括
这项研究开发了一种机器学习模型,用于预测早期宫癌患者的参数侵入 (PMI) 风险. 该模型准确地识别了有风险的患者,有助于进行手术决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 早期的宫癌需要准确的风险分层来进行最佳的治疗.
- 宫入侵 (PMI) 是宫癌的关键预后因素.
- 在手术前预测PMI可以指导手术规划并改善患者的治疗结果.
研究的目的:
- 开发和验证一个早期预警系统,以准确预测早期宫癌的参数性侵袭 (PMI) 风险.
- 评估机器学习算法在预测PMI方面的有效性.
- 为了确定与PMI风险相关的放射性特征.
主要方法:
- 对218名早期宫癌患者的回顾性分析.
- 使用机器学习算法开发预测模型 (随机森林,通用线性回归,决策树,支持矢量机,人工神经网络).
- 使用接收机操作特征 (ROC) 曲线和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 包括能量,相关性,总 (SUE),,平均和 (MES),差异变量 (DIV) 和逆差 (IND) 在内的放射学特征被确定为PMI的独立风险因素.
- 机器学习模型实现了高预测性能,AUC在训练组中从0.747到0.895不等,在测试组中为0.905.
- 随机森林模型 (RFM) 显示出强大的预测能力.
结论:
- 机器学习模型结合了灰级共发生矩阵 (GLCM) 参数,可以有效地预测宫癌患者的PMI (阶段IB1至IIA2).
- 开发的模型,特别是RFM,可以帮助在手术前区分PMI.
- 这种预测能力有助于对手术范围的决策,从而有可能改善治疗策略.
