使用机器学习算法和激素值来预测子宫纤维瘤的手术类型
1Department of Gynaecology of Obstetrics, Medicana Atakoy Hospital, Istanbul, Turkey.
Medicine
|March 6, 2026
概括
机器学习模型使用激素水平和纤维瘤特征准确预测了子宫纤维瘤的手术选择. 这些模型在分类外科手术模式方面显示出前途,有助于临床决策.
科学领域:
- 生殖医学和外科手术
- 医疗保健中的人工智能
- 妇科瘤学 妇科瘤学
背景情况:
- 子宫纤维瘤 (UFs) 影响了很大一部分女性,导致了诸如子宫切除和肌切除等各种手术干预.
- 传统上,UF的外科分类依赖于临床判断,纤维瘤特征和患者因素.
- 女性性激素在UF手术决策中的作用是复杂的,需要进一步的定量研究.
研究的目的:
- 开发和外部验证机器学习 (ML) 模型,用于描述子宫切除和肌肉切除之间的外科分类模式.
- 评估将纤维瘤特征与女性性激素配置文件相结合的实用性,以预测手术结果.
- 评估各种ML算法在基于综合患者数据的手术决策分类方面的性能.
主要方法:
- 一项多中心研究涉及600名患有UF的妇女,分为子宫切除术 (60.3%) 和肌切除术 (39.7%) 组.
- 使用五种分类算法 (SVM,决策树,随机森林,k-NN,逻辑回归) 开发ML模型,输入包括纤维瘤特征和女性性激素.
- 在一个独立的30个案例队列上对表现最好的模型进行外部验证.
主要成果:
- 切除子宫的患者表现出明显更高的年龄,FSH,LH,UF数量/体积,子宫体积,疾病持续时间,妊娠,平价和PRL水平.
- 与肌肉切除组相比,子宫切除组的雌激素和抗穆勒尔激素水平明显较低.
- 结合性激素配置文件和UF特征的模型在2012年在2555种组合中实现了100%的准确性;仅UF数量就达到96%的准确性. 在97%的病例中,算法预测与外科决定一致.
结论:
- 整合激素配置文件和纤维瘤特征的ML模型可以有效地复制UFs的已建立的外科分类模式.
- 这些模型展示了由年龄和更年期相关的荷尔蒙配置文件驱动的强有力的基线分离性,并得到了一致的外部验证.
- 这些发现支持了量化建模在UF手术临床决策中的可行性,在复杂病例进一步验证后,表明了更广泛的应用潜力.
