在无症状的绝经后妇女中解读子宫内膜非良性病变的预测因子,通过可解释的机器学习

科学领域:

• 妇科瘤学 妇科瘤学
• 机器学习在医学中的应用
• 医学诊断 医学诊断 医学诊断

背景情况:

• 及时识别子宫内膜病变可以改善患者的治疗结果.
• 缺乏对无症状子宫内膜增厚的有效预测模型.
• 无症状的绝经后妇女有子宫内膜加厚需要准确的恶性瘤风险评估.

研究的目的:

• 开发一种强大的机器学习 (ML) 模型,用于评估无症状的绝经后妇女的子宫内膜恶性瘤风险.
• 在这个人群中确定子宫内膜癌的关键预测因子.
• 创建一个用户友好的工具,用于临床决策支持.

主要方法:

• 对971名无症状的绝经后妇女进行了回顾性研究,这些妇女患有子宫内膜增厚.
• 使用引导重新抽样用于模型培训和验证.
• 应用后勤回归 (LR) 和夏普利添加式扩展 (SHAP) 用于特征选择,模型构建和解释.
• 开发了一种用于临床应用的名图.

主要成果:

• 确定了平价,多普勒流信号,子宫内膜厚度,癌症抗原125和D-二次数作为重要的预测因素.
• 该LR模型实现了88%的准确性,78%的灵敏度和98%的特异性 (AUC=0.81).
• 在训练 (AUC=0.82),内部 (AUC=0.82) 和外部 (AUC=0.81) 验证队列中,名图显示出强的性能.

结论:

• 一个基于LR的名图,用SHAP解释,有效地检测无症状的绝经后妇女的子宫内膜非良性病变.
• 该模型为个性化风险评估提供视觉见解.
• 该工具可以帮助临床医生做出治疗决策,并可能避免不必要的侵入性手术.