基于机器学习的子宫内膜异位症检测:一项对伊朗女性患者人口的回顾性研究
Behnaz Nouri1, Seyed Hesan Hashemi2, Delaram J Ghadimi3
1The Preventative Gynaecology Research Center, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
International journal of fertility & sterility
|November 20, 2024
概括
机器学习模型显示出对诊断子宫内膜异位症的前景,子宫内膜异位症是女性常见的疾病. 支持矢量机 (SVM),随机森林,额外树木和渐变增强模型在使用超声波检测子宫内膜异位症时表现出高准确性.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 机器学习在医疗保健中的应用.
背景情况:
- 子宫内膜异位症会影响生育年龄的女性,导致骨盆疼痛和不孕.
- 诊断往往会延迟,尽管超声波有助于检测.
- 对伊朗子宫内膜异位症患者存在有限的机器学习 (ML) 研究.
研究的目的:
- 为了比较各种ML算法的诊断准确度,用于检测子宫内膜异位症.
- 在伊朗妇女中使用超声波标志评估ML模型.
主要方法:
- 505名患者 (149名患有子宫内膜异位症) 的回顾性研究.
- 数据分为训练和测试集.
- 分层的五倍交叉验证和曲线下的面积 (AUC) 计算.
主要成果:
- 敏感度在59.5%至75.7%之间;特异性在71.7%至83.3%之间.
- SVM,随机森林,额外树木和梯度增强模型实现了最高的性能.
- 这些顶级模型显示AUC为0.76.6.
结论:
- ML模型对于子宫内膜异位症的查和诊断是有效的.
- 高性能模型 (SVM,随机森林,额外树木,梯度提升) 可以提高诊断准确度.
- 进一步的研究可以提高子宫内膜异位症检测率.
