精确识别子宫内膜恶性病变和癌前病变:开发一个机器学习模型,结合多维临床和成像参数

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:

• 准确诊断子宫内膜恶性病变和癌前病变至关重要,特别是对于希望保持生育能力的年轻患者.
• 目前的诊断方法可能需要提高特定患者群体的精度和个性化.

研究的目的:

• 开发和验证机器学习 (ML) 模型,使用多维数据精确识别子宫内膜恶性病变和癌前病变.
• 专门解决追求生育保护的年轻患者的诊断需求.

主要方法:

• 对1221名怀疑患有子宫内膜损伤的患者进行了回顾性研究.
• 临床,病态和超声波放射性参数的整合.
• 开发和验证7个ML模型,包括随机森林,使用交叉验证和性能指标 (ROC-AUC,灵敏度,特异性).

主要成果:

• 确定了七个关键预测因素:年龄,BMI,更年期状态,细胞异常,腺体密度,子宫内膜厚度和抵抗指数.
• 随机森林模型表现出卓越的性能,ROC-AUC为0.98 (训练) 和0.96 (测试).
• 该模型在测试组中实现了平衡的灵敏度 (0.89) 和特异性 (0.86),具有出色的精度回忆平衡.

结论:

• 将多维数据与ML集成,特别是随机森林模型,显著提高了子宫内膜恶性瘤检测精度.
• 这种方法允许个性化风险分层,支持有针对性的管理和以患者为中心的护理,特别是节育性指示.