发布时间：2024-03-04 15:35:46 栏目：精选知识
粘膜下肿瘤(SMT)通常在上消化道内窥镜检查中发现于胃和食道中。粘膜下隧道内镜切除术(STER)和非隧道内镜切除术(NTER)是治疗胃和食管SMTs最常用的两种技术。随着新技术不断塑造医疗格局，机器学习 (ML) 算法的应用不断增加，在各个领域展现出增强的性能。尽管一些研究评估了灵活的机器学习方法的增量价值，但缺乏与传统逻辑回归(LR)模型的比较。
为此，中国研究团队最近在《胃肠病学与内窥镜》杂志上发表了一项研究，比较了传统回归模型和机器学习算法，以预测哪种技术在贲门粘膜下肿瘤手术中表现更好。
使用关键基线预测因素、ML 算法和 LR 对 246 名患者进行了研究。对于机器学习算法，包括梯度增强机、人工神经网络、随机森林和支持向量机。对于小样本数据，利用 k 倍交叉验证技术来避免过度拟合。与此同时，研究人员通过多次重复调整了参数。因此，他们量化了模型的辨别力(曲线下面积，AUC)和预测能力(Brier 评分、F1 评分、特异性、敏感性和准确性)。
“四位在上消化道 STER 和 NTER(超过 1,000 例病例)方面拥有丰富经验的专家被要求为每位患者决定手术技术。预测因素包括粘膜状态、生长模式、最大直径、起源层、位置和形态。缺失的数据通过链方程多重插补 (MICE) 来填补，”该研究通讯作者 Quan-Lin Li 解释道。
研究小组发现 LR 在所有组中表现均优于(Brier 评分 = 0.1398，F1 评分 = 0.7391，AUC = 0.8729，预测准确性 = 80.65%)。形态学在所有重要性评分列表中名列前茅，是对预测准确性贡献最大的。胃镜的方向也是大多数模型的关键因素。其他七个变量在不同模型中显示出不同的重要性。
“我们研究的一个局限性是使用的预测器相对较小，这可能限制了机器学习算法的性能。应探索具有较高相关性的预测变量来改进机器学习算法。此外，在临床实践中应用预测算法之前，外部验证是必不可少的，我们的研究不包括外部验证队列，因为很难概括其他中心不一致的临床设置，”李指出。
“在预测 SMT 患者的最佳手术方法方面，传统的回归方法优于机器学习算法。需要进一步的研究来验证和推广我们的研究结果。”李总结道。
免责声明：本文由用户上传，如有侵权请联系删除！
