在口腔潜在恶性疾病中增强恶性转变预测:一种使用真实世界数据的新型机器学习框架

科学领域:

• 口腔医学是指口腔医学.
• 在瘤学瘤学.
• 医疗保健中的人工智能

背景情况:

• 口腔潜在恶性疾病 (OPMDs) 携带恶性转变的风险.
• 准确的风险预测对于及时干预和改善患者结果至关重要.
• 当前的统计方法在捕获复杂的预测模式方面可能存在局限性.

研究的目的:

• 将机器学习 (ML) 模型的预测性能与OPMD恶性转变风险的传统统计方法进行比较.
• 开发和验证一种新的自我注意力人工神经网络 (SANN) 模型,用于增强风险预测.
• 在不同的临床环境中评估ML模型的通用性和稳定性.

主要方法:

• 对来自三个机构的1,094名OPMD患者 (2004-2023) 的回顾性分析.
• 开发和验证一个自我注意力人工神经网络 (SANN) 模型.
• 与其他ML算法 (ANN,RF,DeepSurv) 和考克斯比例危险 (Cox-PH) 计数组进行比较.
• 使用AUC,灵敏度,特异性,准确性,精度,ROC曲线,校准曲线和决策曲线分析进行性能评估.

主要成果:

• SANN模型实现了0.9877.7的曲线下面面积 (AUC) 的优势.
• SANN表现出高灵敏度,特异性,准确性和精度,所有这些都超过了0.96.
• 考克斯-PH名谱产生明显较低的AUC,范围从0.880到0.902.
• 综合评估证实了SANN的卓越预测效率,稳定性和通用性.

结论:

• 定制的ML模型,特别是SANN,显示了改善OPMD恶性转变预测的巨大潜力.
• 在风险分层方面,SANN在风险分层方面优于常规的统计方法,如Cox-PH nomograms.
• 这些发现支持将先进的ML集成到高风险OPMD患者的早期识别和管理中.