内镜超声波的价值,以区分恶性和良性非胰腺周边脉冲性病变:一个可解释的机器学习研究
Xue-Yong Zuo1, Yin Zhang2, Hai-Feng Liu3
1Department of Gastroenterology, Third Affiliated Hospital of Soochow University, Changzhou, 213000, Jiangsu, China. zuoxueyong@outlook.com.
Digestive diseases and sciences
|January 9, 2026
概括
机器学习使用临床和内镜超声波 (EUS) 数据准确地区分非胰腺周围病变 (NPLs). 额外树木模型显示出高性能,SHAP分析为NPL诊断提供了透明的预测.
科学领域:
- 胃肠病学 胃肠病学
- 医疗成像医学成像
- 机器学习在医学中的应用
背景情况:
- 由于复杂的解剖学和模糊的症状,难以区分非胰腺周围病变 (NPLs).
- 准确的NPL早期诊断对于有效的患者管理至关重要.
研究的目的:
- 开发一个可解释的机器学习 (ML) 模型来诊断NPLs.
- 整合临床变量和内镜超声波 (EUS) 功能,以提高诊断准确度.
主要方法:
- 158名疑似NPL患者接受了EUS,分为培训 (n=110) 和验证 (n=48) 队列.
- 使用已识别的风险因素培训了五个ML分类器;使用AUC,校准曲线和DCA评估模型性能.
- 使用SHAP分析来解释最佳ML模型的决策过程.
主要成果:
- 在训练和验证队列中,ExtraTrees ML模型实现了0.94的最高AUC.
- 其他模型,如XGBoost,LGBM,SVM和后勤回归,表现出不同的性能.
- SHAP分析强调了腹部不适,病变直径,不规则的形状,和边缘特征作为关键诊断特征.
结论:
- 开发的ML模型,特别是ExtraTrees,在区分恶性NPL和良性NPL方面表现出高的能力和临床益处.
- SHAP分析提供了透明度和可解释性,使得个性化的NPL预测成为可能.
