一个机器学习模型整合了手术前基于血液的指数,用于早期和非侵入性检测子宫内膜癌

科学领域:

• 在瘤学瘤学.
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• 在全球范围内,子宫内膜癌 (EC) 发病率的上升是一个重大的诊断挑战.
• 目前的EC诊断方法往往缺乏非侵入性,手术前预测能力.
• 迫切需要先进的工具来改善早期的EC风险评估.

研究的目的:

• 开发和验证一种基于机器学习的非侵入性工具,用于术前预测子宫内膜癌风险.
• 确定EC发展的关键临床和生物标志物预测因素.
• 评估各种机器学习算法在EC风险分层中的有效性.

主要方法:

• 对857名患有子宫内膜病变的患者的临床数据进行了回顾性分析.
• 开发和比较六个机器学习模型:随机森林,XGBoost,SVM,GBDT,LR和MLP.
• 利用基线特征,子宫内膜厚度和外周血液标记物进行模型培训和验证.
• 使用接收器操作特征 (ROC) 曲线和SHAP分析评估模型性能.

主要成果:

• 梯度增强机模型 (GBDT) 显示出卓越的性能,AUC精度为0.95和90.0%.
• 通过SHAP分析发现的关键预测特征包括HE4,CA-125和SIRI.
• 该模型有效地整合了用于EC风险预测的非侵入性临床和基于血液的标志物.

结论:

• 一个经过验证的GBDT预测模型为术前子宫内膜癌风险评估提供了一个有前途的非侵入性工具.
• 该模型的高性能表明其在改善早期EC检测方面的临床应用潜力.
• 像HE4,CA-125和SIRI这样的生物标志物是基于机器学习的EC预测中的关键指标.