可解释的XGBoost模型使用四个临床和成像特征在女孩身上识别出异常性中央早熟性青春期
Lu Tian1, Yan Zeng2, Helin Zheng1
1Department of Radiology, National Clinical Research Center for Child Health and Disorders, Ministry of Education Key Laboratory of Child Development and Disorders, Chongqing Key Laboratory of Pediatric Metabolism and Inflammatory Diseases, Children's Hospital of Chongqing Medical University, Chongqing, 400014, China.
BMC endocrine disorders
|July 2, 2025
概括
机器学习模型现在可以帮助使用关键临床数据在女孩身上诊断异常性中央早熟性青春期 (ICPP),可能取代了昂贵的淋巴激素释放激素 (GnRH) 刺激测试的需要.
科学领域:
- 儿科内分泌学 儿科内分泌学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 目前,异常发育中心早期青春期 (ICPP) 诊断依赖于淋巴激素释放激素 (GnRH) 刺激测试.
- 这种黄金标准测试是昂贵的,耗时的.
- 需要使用替代的诊断方法.
研究的目的:
- 开发可解释的机器学习 (ML) 模型,用于女孩的ICPP识别.
- 为了避免GnRH刺激测试的必要性.
- 提供一个更容易使用的诊断工具.
主要方法:
- 分析了246名处于早期青春期的女性儿科患者.
- 最少绝对收缩和选择操作员 (LASSO) 确定了关键参数:子宫体积,骨年龄/年代年龄 (BA/CA),基底FSH和基底LH.
- 逻辑回归和五个ML模型 (SVM,GaussianNB,XGBoost,RF,kNN) 被使用AUROC,精度,灵敏度和特异性构建和评估.
主要成果:
- 四个关键参数 (子宫体积,BA/CA,基底FSH,基底LH) 被选择用于ICPP诊断.
- 在ML模型中,在验证集中,AUC达到0.65至0.90.
- XGBoost 模型表现出卓越的性能,具有最高的 AUC,精度,特异性和灵敏度,显示出出色的校准和临床实用性.
结论:
- 为ICPP诊断开发了一个准确和可解释的基于ML的模型.
- 这个模型可以帮助临床医生做出决策.
- 开发的模型为GnRH刺激测试提供了一个潜在的替代方案.
