在宫癌中进行术前评估和术后预测的机器学习:多中心回顾模型整合MRI和临床病理数据

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 机器学习 (ML) 越来越多地用于宫癌 (CC) 研究,但很少有研究整合临床和成像数据.
• 准确的手术前评估参数侵袭和淋巴结转移,以及术后预后预测对于CC患者管理至关重要.

研究的目的:

• 开发一个集成的ML模型,结合临床病理变量和MRI特征.
• 增强手术前检测的参数入侵和淋巴结转移在CC.
• 改善术后预测中风患者复发和存活率.

主要方法:

• 对250名CC患者数据 (2014-2022) 的回顾性分析.
• 评估7个ML模型 (KNN,SVM,DT,RF,平衡RF,加权DT,加权KNN) 的预测性能.
• 使用5倍交叉验证 (准确性,灵敏性,特异性,精度,F1分数,AUC) 的性能评估.

主要成果:

• 均衡随机森林 (RF) 显示了手术前参数入侵检测的最佳性能 (灵敏度为0.81,特异性为0.85).
• 权重的K-最近邻居 (KNN) 在淋巴结转移检测 (灵敏度0.98,AUC 0.72) 和术后预后预测 (复发精度0.94,AUC 0.86;死亡精度0.97,AUC 0.77) 中表现出色.
• 一个人工智能辅助系统被开发用于术前和术后预测.

结论:

• 整合临床数据和MRI功能可以提高CC的诊断和预后能力.
• 这种方法为宫癌患者提供了个性化和精确的治疗策略.
• 开发的AI系统支持改进的手术前评估和术后预后.