基于机器学习的预测,使用放射学来预测胰腺双管切除术后长期新发糖尿病风险
Jihyun Yoon1, Seon Min Lee2,3, Byoungduck Han1
1Department of Family Medicine, Anam Hospital, Korea University College of Medicine, Seoul, Republic of Korea.
Digital health
|March 16, 2026
概括
这项研究开发了一种机器学习模型,将CT扫描成像和临床数据结合起来,用于预测胰腺切除术后新发糖尿病 (NODM). 多式联络方法提高了预测准确度,有助于个性化患者风险评估.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 内分泌学 在内分泌学.
背景情况:
- 胰腺双管切除术导致了显著的代谢变化,20-32%的患者在三年内患上新发型糖尿病 (NODM).
- 胰腺切除术后NODM的现有预测模型的准确性有限,主要使用临床变量.
- 需要将CT成像中的组织级信息整合到预测模型中.
研究的目的:
- 开发和验证一种多式机器学习框架,用于预测胰腺二切除术后的长期NODM风险.
- 将临床数据与CT衍生放射学特征集成,以提高预测准确度.
- 探索放射学在识别NODM的关键预测因子中的实用性.
主要方法:
- 分析了126名接受胰腺双管切除术的患者的回顾性队列.
- 从使用PyRadiomics的术前和术后CT扫描中提取了186个放射性特征.
- 一种多式模式的方法结合了放射学特征与10个临床变量,利用递归特征消除和逻辑回归进行预测,并使用SHAP进行解释.
主要成果:
- 47名患者 (37.3%) 患有长期的NODM.
- 多式联络物流回归模型的AUC为0.77,高于仅临床模型的AUC (P < .05).
- 关键预测因素包括胰腺体体积的变化,手术前高血压和特定的CT纹理特征 (强度,灰色水平不均).
结论:
- 将CT放射学与临床数据相结合,显著改善了胰腺切除术后的NODM预测.
- 这种多式联运战略为单式联运模式提供了更强大的替代方案.
- 该方法促进了个性化风险分层和针对患者的术后监测.
