深度学习模型用于预测异常性颗粒性乳头炎的复发
Lanying Li1,2, Wen Yang3, Haiming Jia1
1Vascular Surgery Breast Surgery Department, The Third Hospital of Mianyang, Sichuan Mental Health Center, Mianyang, 621000, People's Republic of China.
Journal of inflammation research
|March 3, 2025
概括
与其他机器学习模型相比,神经网络在预测异常性粒状乳腺炎 (IGM) 复发方面表现优越. 这一发现对于早期发现和改善患者对这种罕见的乳腺疾病的治疗至关重要.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 异常性颗粒性乳腺炎 (IGM) 是一种罕见的慢性炎症性乳腺疾病.
- 准确预测IGM复发对于有效的患者管理和治疗至关重要.
- 目前对IGM的诊断和治疗策略面临着重大挑战.
研究的目的:
- 评估和比较用于预测IGM复发的机器学习模型.
- 评估后勤回归,随机森林和神经网络的性能.
- 确定影响IGM复发的关键患者数据特征.
主要方法:
- 对212名被诊断为IGM的患者进行了回顾性分析.
- 数据包括血清学标记,瘤特征和治疗史.
- 训练并比较了逻辑回归,随机森林和神经网络模型,使用准确度,灵敏度,特异性和AUC.
主要成果:
- 神经网络获得了最高的ROC曲线下面积 (AUC) (0.938培训,0.880验证,0.913测试) 和F1得分.
- 后勤回归和随机森林模型显示出较低的预测性能.
- 复发的关键预测因素包括吸烟,之前的手术和口服避孕药的使用.
结论:
- 神经网络在预测IGM复发方面表现出卓越的准确性和可靠性.
- 开发的神经网络模型在早期IGM复发预测中具有重要的临床应用潜力.
- 机器学习提供了一种有前途的方法来增强异常性粒状乳腺炎的管理.


