基于机器学习算法开发和验证基于状状病变的内镜诊断模型

科学领域:

• 胃肠病学 胃肠病学
• 医疗人工智能 医疗人工智能
• 计算病理学计算病理学

背景情况:

• 由于细微的形态学,状状病变 (SSL) 经常被误诊为多重塑性息肉 (HP).
• 这种错误分类增加了结直肠癌 (CRC) 的风险.
• 准确的内镜诊断SSL对于早期干预至关重要.

研究的目的:

• 开发和评估一个机器学习 (ML) 模型,以改善SSL的内镜诊断.
• 为了确定对SSL分类有助于SSL分类的关键内镜特征.
• 为了提高区分SSL和HP的准确性.

主要方法:

• 对386个结直肠多体 (135个SSL,251个HP) 进行了回顾性分析,并得到了组织学确认.
• 开发和应用多个ML分类模型.
• 利用夏普利添加式解释 (SHAP) 来解释模型预测并确定特征的重要性.

主要成果:

• R2缩小ML模型实现了高诊断性能:准确率为84.7%,灵敏度为92.7%,特异性为71.2%,F1得分为88.5%.
• 曲线下的面积 (AUC) 值始终接近0.90,表明可靠的预测能力.
• SHAP分析确定了病变大小 (> 8mm),粘液盖的存在和右侧结肠位置作为SSL诊断的关键预测因素,概率> 85%.

结论:

• 这项研究是第一个将ML算法用于状息肉的内镜分类的研究.
• 损伤大小,粘液盖和位置是SSL精确内镜诊断的关键特征.
• 开发的ML模型和确定的标准为提高SSL检测率和降低CRC风险提供了一个有希望的工具.