基于超声波生物识别的胎儿体重估计的机器学习模型:开发和验证研究研究
Marcos Espinola-Sánchez1,2, Antonio Limay-Rios3, Andrés Campaña-Acuña3
1Facultad de Ciencias de la Salud, Universidad Privada del Norte, Lima, Peru.
Digital health
|May 19, 2025
概括
机器学习模型可以准确估计胎儿的体重. 与传统公式相比, Tabular Prior-data Fitted Network (TabPFN) 模型显示出更高的预测准确性,为产科护理提供了一个有前途的工具.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 围产儿医学 围产儿医学
背景情况:
- 机器学习 (ML) 提出了一种用于估计胎儿体重的创新方法.
- 整合多个生物识别和临床变量可以提高准确性.
研究的目的:
- 开发和验证使用超声波生物识别数据估计胎儿体重的ML模型.
- 评估ML模型的准确性,并将其与哈德洛克和谢帕德等传统公式进行比较.
主要方法:
- 一项回顾性观察性研究包括3525例低风险单子妊娠 (2009-2022年).
- ML模型 (渐变增强,SVM,随机森林,TabPFN) 经过培训和验证,使用胎儿生物识别 (双侧直径,腹周,头周,大腿长度) 和妊娠年龄.
- 使用R2和平均平方误差 (MSE) 评估了准确性.
主要成果:
- 在最初的研究阶段,TabPFN模型获得了最高的准确性 (R2=0.856,MSE=0.146),超过了哈德洛克 (R2=0.807,MSE=0.195) 和谢帕德 (R2=0.801,MSE=0.201) 的公式.
- 在独立验证样本 (2019-2022) (R2=0.873,MSE=0.144) 中,TabPFN保持了优异的表现.
- 通过交叉验证和样本随机化证实了模型的一致性.
结论:
- TabPFN模型显著优于传统公式和其他ML方法来估计胎儿体重.
- 它的高预测准确性和稳定性使其成为产科中潜在的临床决策支持工具.
- TabPFN与超参数调整的独立性提高了其临床实用性.
