在预测粘膜下肿瘤患者的最佳手术方法方面传统回归方法优于机器学习算法

发布时间：2024-03-04 15:35:46 栏目：精选知识

导读 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

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。