机器学习方法来区分花红细胞瘤与上腺皮质癌和非功能性上腺瘤

科学领域:

• 内分泌学 在内分泌学.
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 从其他上腺病变,特别是有关放射性特征的偶发性瘤,区分上腺细胞瘤 (PCC) 是具有挑战性的.
• 准确的诊断对于适当的患者管理和治疗计划至关重要.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,以区分PCC与上皮癌 (ACC) 和非功能上腺腺瘤 (NAA).
• 确定这些上腺瘤的关键临床,实验室和放射学特征.

主要方法:

• 从123名经组织学验证的上腺瘤 (PCC,ACC,NAA) 的患者中分析了50个参数.
• 使用嵌套分层交叉验证对四个ML分类器 (逻辑回归,随机森林,LDA,XGBoost) 进行培训和验证.
• 专注于对对进行分类任务 (PCC与ACC,PCC与NAA,ACC与NAA).

主要成果:

• 所有ML模型都显示出强大的预测性能 (AUC>0.8).
• 对于PCC的关键区分因素包括最大缩血压,三级高血压,头痛,心,心跳缓慢,男性性别和.
• 瘤密度区分PCC和NAA;瘤大小区分PCC和ACC.

结论:

• 开发了强大的ML模型,以准确区分PCC与其他上腺瘤.
• 这些模型为手术前决策支持提供了临床可行的工具.
• 鉴定出的歧视性特征增强了临床理解,并促进了PCC的差异诊断.