一种基于胎盘磁共振成像和临床因素的机器学习模型,用于预测胎儿生长限制
Jida Wang1, Zhuying Chen1, Hongxi Zhang2
1Department of Radiology, Women'S Hospital, Zhejiang University School of Medicine, Zhejiang Provincial Clinical Research Center for Obstetrics and Gynecology, Hangzhou, Zhejiang, 310006, China.
BMC pregnancy and childbirth
|March 21, 2025
概括
这项研究开发了一个胎盘放射学-临床机器学习模型来预测胎儿生长限制 (FGR). 该模型有效地结合了成像特征和临床数据,以准确预测FGR.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 胎儿生长限制 (FGR) 是一个重要的产科并发症.
- 准确预测FGR对于及时干预和改善结果至关重要.
- 胎盘成像和临床数据具有FGR预测的潜力.
研究的目的:
- 开发和验证一个机器学习模型,整合胎盘放射学和临床因素来预测FGR.
- 评估组合模型在培训,内部和外部测试数据集中的预测性能.
主要方法:
- 对胎盘MRI和从FGR病例和对照中获得的临床数据的回顾性分析.
- 从斜T2WI胎盘MRI中提取放射性特征.
- 使用LASSO开发放射学特征,并选择关键的临床因素.
- 使用后勤回归和名图,构建和评估一个统一的放射学临床模型.
主要成果:
- 确定了10个与FGR有很强的相关性的放射学特征.
- 基于后勤回归的放射学模型显示出最佳的性能.
- 统一模型表现出高预测性能,AUC在数据集中从0.861到0.941不等.
- 命名图证实了该模型的临床适用性.
结论:
- 开发的胎盘放射学-临床机器学习模型是FGR预测的一个简单而有效的工具.
- 这种综合方法为改善FGR诊断和管理提供了一个有希望的策略.
