基于人工神经网络的卵巢边缘瘤患者复发的风险预测模型:开发和验证研究研究
1Department of Obstetrics and Gynecology, Shengjing Hospital of China Medical University, No.36 Sanhao Street, Shenyang, Liaoning , 110004, People's Republic of China.
Journal of ovarian research
|December 10, 2025
概括
一个新的神经网络模型准确地预测了边缘卵巢瘤复发风险,优于传统方法. 这种人工智能方法通过精确的患者分层来改善临床决策.
科学领域:
- 在瘤学瘤学.
- 人工智能在医学中的应用
- 机器学习用于预测建模.
背景情况:
- 边缘性卵巢瘤 (BOT) 的有效管理需要准确识别患有复发高风险的患者.
- 人工神经网络 (ANN) 在预测BOT复发方面表现有前途,但需要强大的外部验证.
- 本研究解决了在BOT复发预测中ANNs全面验证的需要.
研究的目的:
- 评估时间依赖的人工神经网络对BOT复发的预测性能.
- 进行彻底的时间和空间外部验证,以评估模型的通用性.
- 将ANN模型的性能与传统预测模型进行比较.
主要方法:
- 一个神经多任务逻辑回归 (N-MTLR) 模型是使用1168名BOT患者的临床数据开发的.
- 数据使用合成少数人过量采样技术 (SMOTE) 进行了平衡,并分为培训 (70%) 和内部验证 (30%) 集.
- 建立了时间和空间外部验证集;使用灵敏度,特异性,PPV,NPV,精度,tdAUC和IBS来评估模型性能.
主要成果:
- 使用9个选定的特征的N-MTLR模型,在多个生存终点上表现出与Cox回归模型相比更好的预测性能.
- 该模型在时间和空间外部验证集中实现了适度的预测性能,具有显著的临床应用价值.
- 包括AUC,精度,特异性,PPV和NPV在内的关键性能指标在N-MTLR模型中更高.
结论:
- N-MTLR神经网络有效地模拟了BOT复发风险中的非线性关系.
- 该模型表现出极好的时间和空间通用性,证实了它的稳定性.
- 这种方法支持精确的风险分层,增强用于BOT管理的临床决策.
