对子宫内膜癌的辅助诊断和预后模型使用36个血清学标志物和562名患者的临床变量
Fangying Chen1,2, Meilian Chen2,3, Ruyun Chen2
1Department of Gynecology and Obstetrics, The Obstetrics & Gynecology Hospital of Fudan University, Shanghai, 200090, People's Republic of China.
Scientific reports
|November 18, 2025
概括
机器学习使用血液标记物和临床数据准确预测子宫内膜癌 (EC). 随机森林模型对非侵入性诊断,分期和预后具有很高的准确性,改善了早期管理.
科学领域:
- 妇科瘤学 妇科瘤学
- 计算生物学 计算生物学
- 生物标志物发现发现
背景情况:
- 子宫内膜癌 (EC) 是一个越来越大的流行病学挑战.
- 目前的EC评估依赖于手术后分析,强调了手术前风险分层的必要性.
- 开发非侵入性预测模型对于及时的EC管理至关重要.
研究的目的:
- 开发和评估基于机器学习 (ML) 的方法,用于手术前EC风险分层.
- 整合血清学标记和临床变量来预测EC特征.
- 为了比较各种ML分类器在EC预测中的有效性.
主要方法:
- 使用了508名EC患者和54名子宫内膜异常激增症 (EAH) 患者的数据集.
- 培训和评估了七个监督的ML分类器,包括随机森林,梯度提升,SVM,后勤回归,高斯的天真贝叶斯,神经网络和弹性网络.
- 使用诸如曲线下的面积 (AUC) 等指标评估预测性表现.
主要成果:
- 随机森林分类器证明了最高的预测准确性,达到0.81-0.94.9的AUC值.
- 整合血清学标记和临床数据的机器学习模型的表现优于传统方法.
- 人类外皮膜蛋白4 (HE4) 和碳水化合物抗原125 (CA125) 分别被确定为风险分层和淋巴结入侵的关键预测因子.
结论:
- 使用结合血清学标志物和临床变量的ML方法可以有效地进行非侵入性手术前预测EC诊断,分期,转移风险和预后.
- 随机森林分类器是EC预测中最有效的模型.
- 这种基于血清的策略补充了侵入性方法,增强了早期EC管理和个性化治疗.
