机器学习用于单克隆性瘤病的脏重要性风险分层使用临床和病理学数据
Giorgio Cazzaniga1, Giulia Capitoli2,3, Raffaella Barretta1
1Department of Medicine and Surgery, Pathology, University of Milano-Bicocca, IRCCS Fondazione San Gerardo dei Tintori, Monza, Italy.
Kidney international reports
|August 15, 2025
概括
一个新的机器学习工具有助于在脏活检之前识别具有性意义的单克隆性甘马病 (MGRS) 的患者. 这种人工智能引导的评估有助于优先考虑患者进行必要的组织学检查,改善MGRS诊断.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 及时检测关键单克隆性阴囊病 (MGRS) 对于启动化疗至关重要.
- 脏活检是MGRS诊断的黄金标准,但并不总是进行或可能会推迟.
- 临床和实验室数据可以表明MGRS,但缺乏确定的诊断能力.
研究的目的:
- 开发和验证机器学习 (ML) 工具,用于MGRS的预剖析风险分层.
- 帮助临床医生识别那些从活检中获益最多的患者.
- 加强在疑似MGRS病例中进行组织学检查的临床理由.
主要方法:
- 一项回顾性研究,涉及258名具有未确定的意义的单克隆性胃病变的患者.
- 根据脏活检结果将患者分为MGRS (168例) 和非MGRS (90例) 的分类.
- 使用临床和实验室数据开发和验证ML模型.
主要成果:
- 在验证组中,ML模型实现了0.79的精度和0.80的AUC.
- 在MGRS患者中,女性的发病率更高,Bence Jones蛋白尿症的发病率更高.
- 氨基化症是最常见的MGRS诊断 (62%).
结论:
- 一个基于ML的工具可以在活检之前有效地分层MGRS风险.
- 该工具有助于选择具有更高MGRS概率的患者进行组织学表征.
- 开发的ML模型可以作为免费的移动和桌面应用程序 (MIRAGE) 提供.
