一种基于超声波和机器学习的非侵入性方法,用于胸腔食道癌的选择性宫淋巴切除术
Yike Li1, Yi Gao2,3, Bin Li3,4,5
1Department of Otolaryngology-Head and Neck Surgery, Vanderbilt University Medical Center, Nashville, TN, USA.
International journal of surgery (London, England)
|October 27, 2025
概括
使用超声波和临床数据的机器学习模型可以在食道状细胞癌 (ESCC) 中非侵入性预测宫淋巴结转移. 这种方法有助于ESCC患者的手术规划,可能改善治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 在食道状细胞癌 (ESCC) 手术中宫淋巴结解剖是有争议的.
- 精确评估淋巴结的参与对于治疗计划至关重要.
研究的目的:
- 开发一种机器学习 (ML) 方法,用于在ESCC中进行宫淋巴结转移的非侵入性评估.
- 整合超声波和临床发现,以提高诊断准确度.
主要方法:
- 利用了887名ESCC患者的数据集,对宫淋巴结进行了病理检查.
- 使用患者特征和超声数据开发和测试ML模型 (例如随机森林).
- 通过五倍交叉验证验证模型,并将其与基线名录相比较.
主要成果:
- 32.1%的患者确诊了宫结节转移.
- ML模型实现了0.68的平均精度和0.72的AUC,超过了基线名录.
- 超声波的最大宫节点直径是最关键的预测因素;综合特征比单独的超声波数据提高了预测.
结论:
- 超声波对于检测ESCC的宫结节转移是有价值的.
- 基于ML的非侵入性方法可以为有关淋巴结解剖的决定提供信息.
- 该预测模型支持ESCC的增强手术规划和个性化治疗.
