建立基于机器学习的胆囊腺瘤和胆固醇息肉的术前预测模型:一个多中心的回顾性研究
Yubing Wang1, Chao Qu1, Jiange Zeng1
1Department of Hepatobiliary and Pancreas, Affiliated Hospital of Qingdao University, NO.1677 Wutaishan Road, Qingdao, Shandong Province, 266555, China.
World journal of surgical oncology
|January 28, 2025
概括
机器学习使用超声波数据准确地区分胆囊腺瘤与胆固醇聚合体. 支持载体机器加随机森林模型有助于对胆囊多性病变进行术前风险评估.
科学领域:
- 肝胆道手术是肝胆道的手术.
- 医学成像医学成像
- 机器学习在医学中的应用
背景情况:
- 胆囊多性病变 (GPLs) 需要精确的手术前分化.
- 区分良性胆固醇聚合物与潜在的恶性胆囊腺瘤对于患者管理至关重要.
- 当前的诊断方法可能并不总是提供足够的手术前准确性.
研究的目的:
- 开发和验证基于机器学习的手术前预测模型.
- 准确区分胆囊腺瘤和胆固醇多样体.
- 改善风险分层,并指导GPL的个性化治疗策略.
主要方法:
- 临床,血清学和超声波成像数据的回顾性分析.
- 使用12个机器学习算法构建和评估110个组合预测模型.
- 使用内部和外部队列,ROC曲线,AUC,校准和决策曲线进行验证.
主要成果:
- 支持矢量机 + 随机森林 (SVM + RF) 模型实现了最高的AUC (0.972培训,0.922内部验证).
- 关键的预测特征包括胆囊壁厚度,多体大小,回声和脚.
- 外部验证证实了该模型在区分腺瘤和胆固醇聚合物方面的优异预测性能.
结论:
- 一个SVM + RF预测模型有效地区分胆囊腺瘤和胆固醇聚合物在手术前.
- 这种机器学习方法有助于临床医生评估GPL风险.
- 个性化治疗策略可以通过准确的手术前风险分层来增强.
