结合超声波特征和血清学标记物的机器学习模型预测了胆囊聚恶性病变:一项回顾性队列研究

科学领域:

• 胃肠病学和肝病学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 从临床上看,区分良性和恶性胆囊聚体 (GBP) 是非常重要的.
• 目前的诊断方法,如病理活检,需要进行侵入性手术 (胆囊切除术).
• 对于预测GBP恶性瘤的非侵入性方法有着至关重要的需求.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于非侵入性预测胆囊聚恶性瘤.
• 用超声波,血清学标志物和人口统计数据来确定GBP恶性瘤的关键预测因素.
• 创建一个用户友好的工具,用于临床决策支持.

主要方法:

• 对202名接受胆囊切除术的患者 (50名恶性,152名良性) 的回顾性分析.
• 包括超声波特征 (直径,茎),血清标记 (中性粒细胞与淋巴细胞的比率[NLR],CA19-9),以及人口统计数据.
• 训练和验证十个ML算法,选择额外树以获得最佳性能;根据特征的重要性进行SHAP分析.

主要成果:

• 额外树木ML模型实现了高预测准确度 (AUC 0.97培训,0.93验证).
• 通过SHAP分析确定的关键预测因素包括聚直径,形态,NLR,年龄和CA19-9.
• 综合所有变量组合的综合模型显著优于临床和血液学模型 (AUC 0.89对比 0.68).

结论:

• 结合超声波和血清学标记的ML模型提供了对胆囊聚体恶性瘤的准确预测.
• 开发的模型显示出有助于临床决策和减少不必要的手术的潜力.
• 基于该模型的网络计算器可以促进临床采用并改善患者管理.