开发一个高性能超声波预测模型用于诊断子宫内膜癌:一个可解释的XGBoost算法利用SHAP分析

科学领域:

• 医学成像医学成像
• 机器学习在医疗保健中的应用
• 妇科瘤学 妇科瘤学

背景情况:

• 子宫内膜和腔腔病变需要准确的诊断工具.
• 超声波是妇科诊断中的一个关键的成像方式.
• 机器学习为提高诊断准确性提供了潜在的潜力.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,使用超声波来预测恶性子宫内膜和腔腔病变.
• 评估模型在不同更年期状态中的表现.
• 为了确定恶性瘤的关键超声波预测因素.

主要方法:

• 在超声波后 (2021-2023) 有病理确认的1080名患者的回顾性研究.
• 用国际子宫内膜瘤分析 (IETA) 术语来表征子宫内膜的特征.
• 使用LASSO特征选择开发的极端梯度增强 (XGBoost) 模型;使用ROC分析,校准和决策曲线分析评估性能.

主要成果:

• XGBoost模型表现出强大的预测性能,在绝经后 (AUC 0.968) 的精度高于绝经前 (AUC 0.845) 的女性.
• 在两组中都观察到高特异性 (绝经前:0.923,绝经后:0.931).
• 沙普利添加式扩张 (SHAP) 确定了关键预测因素,包括子宫内膜厚度,回声性和肌膜结合特征.

结论:

• 基于XGBoost的超声波模型显示了对恶性子宫内膜病变的优异预测能力,特别是在绝经后的患者中.
• 该模型的可解释性,通过SHAP分析增强,突出了对恶性瘤预测的关键超声波特征.
• 这种ML方法可能会提高子宫内膜损伤评估的诊断准确性.