使用机器学习方法检测儿科先天性胆道形患者的胰腺胆道错位
Yifeng Shao1,2, Chengyang Jiang1,2, Runmin Zhang3
1Capital Institute of Pediatrics, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, China.
BMC surgery
|October 4, 2025
概括
机器学习模型有效地使用临床数据检测患有先天性胆道形的儿童的胰腺胆道形 (PBM). 这种人工智能方法通过在手术前识别PBM来帮助手术规划.
科学领域:
- 儿科手术 儿科手术
- 医学成像和诊断 医学成像和诊断
- 人工智能在医学中的应用
背景情况:
- 胰腺胆道缺陷 (PBM) 的存在使儿科先天性胆道缺陷的治疗复杂化.
- 在儿童中进行手术前的PBM检测具有挑战性,手术内胆血管学通常会产生低于最佳的成像.
研究的目的:
- 开发和评估机器学习 (ML) 算法,用于检测患有先天性胆道形的儿科患者的胰腺胆道形 (PBM).
- 增强在这个患者群体中PBM共存的手术前诊断能力.
主要方法:
- 对803名患有先天性胆固醇缺陷的儿科患者进行了回顾性分析.
- 开发和比较七个ML算法 (LR,SVM,RF,XGBoost,AdaBoost,LightGBM,KNN) 和一个集体投票分类器.
- 使用AUC,灵敏度,特异性,精度,回忆和F1分数进行性能评估; SHAP用于可解释性.
主要成果:
- 在研究队列中观察到PBM的显著流行率 (78.2%).
- 一个集体投票分类器实现了强大的歧视性表现 (AUC:0.87;回忆:0.91;F1得分:0.91).
- 关键的预测特征包括实验室标记和临床参数.
结论:
- 整合手术前临床和实验室数据的ML算法显示,在儿科先天性胆道形缺陷中检测PBM的能力很高.
- 随机森林模型在基础模型中表现出卓越的性能.
- 开发的整体模型为手术规划和管理提供了宝贵的手术前指导.
