基于深度学习的预测模型的开发,根据detrusor收缩性改善前列腺的霍尔激光核化后的改善
Jong Hoon Lee1, Jung Hyun Kim2, Myung Jin Chung2,3,4
1Department of Urology, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Korea.
International neurourology journal
|December 5, 2024
概括
使用深度神经网络的人工智能模型准确地预测了良性前列腺增生 (BPH) 的前列腺荷激光核化 (HoLEP) 后的症状改善. 这种工具有助于临床医生管理下泌尿道症状 (LUTS) 并预测患者手术后的康复.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 人工智能在医学中的应用
- 医疗信息学 医疗信息学
背景情况:
- 预测男性下泌尿道症状/良性前列腺增生 (LUTS/BPH) 的除障手术后排泄症状的改善是很困难的,尤其是在受损的乳腺体收缩性的情况下.
- 前列腺的霍尔激光取核 (HoLEP) 是对LUTS/BPH的常见手术治疗方法.
- 准确预测手术后的结果对于患者管理和手术规划至关重要.
研究的目的:
- 开发和评估一种人工智能 (AI) 模型,用于预测HoLEP后的症状改善.
- 专注于预测手术后一个月最大流量率 (MFR) 和排空效率 (VE) 的变化.
- 将深度神经网络 (DNN) 与其他机器学习 (ML) 模型的性能进行比较.
主要方法:
- 为多类分类开发了深度神经网络 (DNN),以预测MFR和VE的变化.
- 审查了接受HoLEP治疗的1933名患者的数据,包括1142名患者进行分析.
- 机器学习模型包括极端梯度提升,随机森林和支持向量机器用于比较. 像最小平方和多任务学习这样的技术解决了阶级不平衡.
主要成果:
- 与其他ML模型相比,DNN模型表现出优异的预测性能.
- 对于MFR预测,DNN实现了微平均AUC为0.884,灵敏度为0.783,特异性为0.891.
- 对于VE预测,DNN实现了微平均AUC为0.817,灵敏度为0.660,特异性为0.830.
结论:
- 开发的DNN模型为患者在HoLEP后的康复提供了准确和详细的预测.
- 这个人工智能工具为管理LUTS/BPH的临床医生提供了有价值的见解.
- 这些发现支持使用人工智能来预测LUTS/BPH患者的手术结果.
