黑色素瘤和Nevi的人口,形态和组织病理特征:从统计分析和机器学习模型的洞察力

科学领域:

• 皮肤病学 皮肤病学
• 计算病理学计算病理学
• 医疗信息学 医疗信息学

背景情况:

• 区分黑色素瘤和良性瘤对于患者管理至关重要.
• 临床,形态和组织病理特征是关键的诊断指标.
• 需要先进的分析方法来完善诊断的准确性.

研究的目的:

• 为了确定与黑色素瘤相关的关键临床,形态和组织病理变量.
• 为了比较黑色素瘤分类的统计和机器学习方法.
• 开发一个强大的模型来支持皮肤病理学诊断.

主要方法:

• 使用综合参数对184种黑色细胞病变的评估.
• 在Jamovi中使用XLStat和多变量机器学习模型进行单变量分析.
• 通过交叉验证对五个监督算法 (随机森林,PLS,弹性网,CIT,KNN) 的比较.

主要成果:

• 无变量分析显示了年龄,病变大小,性别,位置和特定的组织病理特征的显著差异.
• 使用glmnet的多变量分析确定了细胞学变化,病变直径,表皮相互作用和细胞外矩阵特征作为关键预测因素.
• glmnet模型表现出高诊断性能,AUC为0.97,测试准确率为92.6%.

结论:

• 人口统计学,形态学和组织病理学数据对于分类黑色素细胞病变有价值.
• 机器学习,特别是glmnet模型,为诊断支持提供了可靠的框架.
• 整合结构化数据与机器学习可以提高皮肤病理学中的诊断能力.