[基于机器学习的诊断模型的开发,用于T形子宫使用跨阴道3D超声波的定量参数]

科学领域:

• 生殖医学 生殖医学
• 医疗成像医学成像
• 医疗保健中的人工智能

背景情况:

• T形子宫是一种子宫异常,可以影响生殖结果.
• 准确的诊断对于适当的管理和治疗至关重要.
• 通过阴道进行3D超声波的定量参数为客观评估提供了潜力.

研究的目的:

• 开发和评估用于诊断T形子宫的机器学习模型.
• 为了确定T形子宫诊断的关键定量超声波参数.
• 评估不同机器学习算法的诊断性能.

主要方法:

• 对304名接受3D跨阴道超声波的患者进行了回顾性研究.
• 专家共识 (修改的德尔菲方法) 用于T形子宫分类.
• 选择特征的 LASSO 回归,其次是后勤回归,决策树,随机森林和 SVM 模型开发.
• 用于评估的五重交叉验证和性能指标 (AUC,灵敏度,特异性,精度,F1评分).

主要成果:

• 通过LASSO回归选择了8个显著的超声波特征.
• 随机森林 (RF) 模型实现了最高的诊断性能.
• 在测试组中,射频模型显示AUC为0.948,灵敏度为0.873,特异性为0.919.
• 射频模型预测的关键特征包括平均侧壁缩宽度,上腔深度和平均侧壁缩角度.

结论:

• 机器学习模型,特别是射频模型,显示出对T形子宫诊断的重大前景.
• 定量3D阴道超声波参数可以有效支持T形子宫诊断.
• 这些模型为妇科临床决策提供了宝贵的技术支持.