机器学习模型用于预测NPVR≥80%与HIFU切除子宫纤维瘤的预测

科学领域:

• 医疗成像医学成像
• 机器学习在医学中的应用
• 在瘤学瘤学.

背景情况:

• 高强度聚焦超声波 (HIFU) 是对子宫纤维瘤 (UFs) 的常见治疗方法.
• 准确预测HIFU除疗效对于患者的选择至关重要.
• 目前的方法在预测治疗结果方面缺乏准确性.

研究的目的:

• 开发一种机器学习模型,用于预测HIFU切除在子宫纤维瘤中的疗效.
• 帮助临床医生在手术前选择患者接受HIFU治疗.
• 为了提高子宫纤维瘤治疗计划的准确性.

主要方法:

• 收集了1000名接受超声波导向HIFU治疗UFs的患者的数据.
• 在特征选中使用LASSO回归.
• 训练并评估了五种机器学习算法 (逻辑回归,随机森林,XGBoost,ANN,GBDT) 以基于非透体积比 (NPVR) 预测切除疗效.

主要成果:

• 在XGBoost模型中,在预测废除功效时,AUC达到0.692的最高值.
• 确定的主要预测因素包括T2加权成像,UF到皮肤距离,血小板计数和对比度增强的T1加权成像.
• 该模型有效地将NPVR分为<80%和≥80%的类别.

结论:

• 开发的机器学习模型显示了预测UFs的HIFU废弃疗效的巨大潜力.
• 这种工具可以帮助临床医生进行手术前评估和患者选择.
• 改进的预测可以提高HIFU治疗计划对子宫纤维瘤的准确性.