机器学习模型用于预测花色细胞瘤/花色细胞瘤手术难度:一项回顾性队列研究
Yubing Zhang1, Qikun Guo2, Shurong Li3
1Department of Urology, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou, Guangdong, People's Republic of China.
Annals of surgical oncology
|May 9, 2025
概括
一个使用临床和放射性数据的机器学习模型准确地预测了染细胞瘤和偏角细胞瘤的手术难度. 这有助于进行手术前风险评估和个性化手术规划,以尽量减少手术风险.
科学领域:
- 内分泌学 在内分泌学.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 乳色细胞瘤和偏角细胞瘤 (PPGLs) 是一种罕见的神经内分泌瘤.
- 切除PPGL的手术困难可能会导致并发症增加.
- 准确的手术前评估手术难度对于患者管理至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测PPGL手术难度.
- 整合临床和放射性特征,以提高预测准确度.
- 为了比较不同功能集的ML模型的性能.
主要方法:
- 对212名确诊PPGL患者的回顾性分析.
- 使用临床和放射性数据开发和比较七个ML模型 (包括SVM,随机森林).
- 使用AUC,精度,灵敏度,特异性和F1得分进行性能评估;用于可解释性的SHAP分析.
主要成果:
- 综合临床和放射性特征的支持矢量机 (SVM) 模型实现了最高的性能 (AUC 0.96培训,0.85验证).
- 集成的SVM模型显著优于仅基于临床参数的模型.
- 放射性特征是最有影响力的预测因素,其次是年龄,BMI,瘤直径和心率.
结论:
- 结合临床和放射性特征的SVM模型有效预测PPGL手术难度.
- 这个模型可以帮助进行手术前风险分层和个性化手术规划.
- 这些发现表明,通过改进手术前评估,有可能减少操作风险.
