在子宫内膜瘤中切割波弹性图学值:临床发现和基于机器学习的预测模型

科学领域:

• 妇科成像检查 妇科成像检查
• 医学诊断 医学诊断 医学诊断
• 计算病理学计算病理学

背景情况:

• 子宫内膜瘤是常见的妇科疾病,通常与显著的临床症状有关.
• 准确的非侵入性诊断方法对于及时管理至关重要.
• 剪波弹性图 (SWE) 提供了组织刚性的定量评估.

研究的目的:

• 评估子宫内膜瘤中SWE的诊断价值.
• 为了将SWE衍生的度与临床症状 (如经期障碍,失精症和不孕症) 相关联起来.
• 评估基于SWE数据的机器学习 (ML) 模型来预测基于SWE数据的临床结果.

主要方法:

• 对94名患有单侧卵巢内膜瘤的女性 (20-35岁) 进行前性研究.
• 用于测量平均剪切波速度 (SWV) 的m/s的SWE.
• 评估临床症状;应用ML模型 (逻辑回归,随机森林,梯度增强,SVM) 来预测结果.

主要成果:

• 较高的SWV观察到患有经期不良症 (P=0.024),失精症 (P=0.016) 和不孕症 (P=0.014) 的患者.
• ML模型实现了高预测精度的失经症 (ROC-AUC 0.94) 和失经症 (ROC-AUC 0.98).
• 后勤回归和SVM在ML算法中表现出优越的性能.

结论:

• 与ML相结合的SWE提供了一种非侵入性和具有成本效益的方法来诊断子宫内膜瘤和预测临床结果.
• 这种成像和计算工具的整合在妇科医学中推进了精准医学.