根据临床标志物和手术前循环血液细胞预测卵巢瘤恶性病变的决策树模型

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 卵巢癌的诊断往往发生在晚期,需要改进早期检测方法.
• 目前对卵巢癌的诊断和治疗策略仍然不足,很大一部分病例被发现得很晚.

研究的目的:

• 开发和评估基于人工智能的决策树模型,用于预测卵巢瘤的良性和恶性状态.
• 通过整合临床和血液学数据,提高卵巢癌诊断的准确性.

主要方法:

• 使用758名卵巢癌患者的数据构建了一个CART决策树模型.
• 分析了临床病理特征和循环血液细胞指数.
• 该模型的预测性能使用接收机操作特征 (ROC) 曲线分析进行了评估.

主要成果:

• 确定的主要预测因素包括年龄,疾病持续时间,更年期状态,风,瘤大小,HE4,CA125,ROMA指数和各种血细胞计数.
• 决策树模型,以ROMA_after作为根节点,包含了几个重要的指标.
• 该模型实现了0.86的ROC曲线下的面积,用于区分良性和恶性卵巢瘤.

结论:

• 成功开发了一种结合临床指标和手术前血细胞分析的决策树模型.
• 这种人工智能模型在良性和恶性卵巢癌的预测性能优于单独的成像或生物标志物分析.
• 开发的模型为预测卵巢癌状况提供了更准确的方法.