基于机器学习算法构建的波特葡萄酒染色的HMME-PDT疗效预测模型的构建

科学领域:

• 皮肤病学 皮肤病学
• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能

背景情况:

• 血甲基乙烯-光动力学疗法 (HMME-PDT) 是一种公认的葡萄酒污染 (PWS) 治疗方法.
• 基于临床因素的HMME-PDT疗效的预测模型目前有限.
• 准确预测治疗结果对于优化患者护理至关重要.

研究的目的:

• 开发和验证用于预测PWS患者HMME-PDT治疗疗效的机器学习模型.
• 确定影响HMME-PDT结果的关键临床因素.
• 在这个预测任务中评估极端梯度增强 (XGBoost) 和随机森林 (RF) 算法的性能.

主要方法:

• 一项对131名面部PWS患者的回顾性研究,这些患者接受了HMME-PDT治疗.
• 递归特征消除 (RFE) 用于识别重要的预测因素.
• 使用培训和验证队伍开发和验证XGBoost和RF模型.

主要成果:

• RFE确定了皮肤透视血管模式,治疗后的立即光强度 (IFI),PWS区域/严重性指数和年龄作为关键预测因素.
• 无论是XGBoost还是RF模型,在训练队列中都表现出强的表现 (准确度,F1>0.8).
• 在验证队列中,XGBoost模型表现出优异的性能 (精度,F1>0.73,AUC = 0.7672).

结论:

• 机器学习模型,特别是XGBoost,在预测PWS的HMME-PDT疗效方面表现有前途.
• 在HMME-PDT之后的IFI是用于有效性评估的新型因素.
• 这些预测模型可以帮助临床医生预测PWS患者的治疗结果.