查看更多>>摘要：目的 利用机器学习算法预测影响肉芽肿性小叶性乳腺炎(granulomatous lobular mastitis,GLM)肿块期术后复发的风险因素,为GLM肿块期术后复发的早期识别和预防提供参考.方法 选取2020年10月至2023年1月期间于河南中医药大学第一附属医院乳腺病科住院手术治疗且组织病理学检查诊断为GLM患者的电子病例及随访资料,符合纳排标准的340例GLM肿块期术后患者作为研究对象.根据患者术后是否出现复发,分为复发组和非复发组.把纳入研究的病例按照7∶3比例随机分为训练集和测试集,在训练集中分别利用传统逻辑(logistic)回归和3种机器学习算法即人工神经网络、随机森林和极限梯度提升算法(extrem gradient boosting,XGBoost),构建复发预测模型.在测试集中,通过敏感度、特异度、准确度、阳性预测值、阴性预测值、F1值和曲线下面积(area under curve,AUC)值评价模型的预测效能,并通过Shapley Additive exPlanation(SHAP)方法探讨影响最优模型识别GLM肿块期术后复发的重要变量,确定预测模型的最佳风险截断值,据此将外部测试集GLM肿块期术后患者分为高、低风险组.结果 纳入符合GLM肿块期术后患者共392例,根据排除标准剔除52例,最终纳入340例,其中复发组60例,未复发组280例.基于单因素分析结果、相关性分析结果以及对临床有意义的影响因素,筛选出12个非零系数的特征变量用于构建预测模型,12个特征变量包括其他疾病史、流产次数、患侧乳房哺乳时长、乳汁淤积史、病变部位、乳头凹陷程度、波动感、低密度脂蛋白、睾酮、既往抗生素治疗史、既往口服激素药物史和围手术期中药治疗时长.分别构建logistic回归预测模型、人工神经网络、随机森林和XGBoost预测模型,结果显示4种预测模型的准确度、阳性预测值、阴性预测值均＞75％,其中XGBoost模型性能最优,其准确率、特异度、敏感度、AUC、阳性预测值、阴性预测值和F1值分别为0.93、0.99、0.65、0.87、0.92、0.93和0.76;SHAP方法发现围手术期中药治疗时长、患侧乳房哺乳时长、低密度脂蛋白、睾酮和既往服用激素药物是影响XGBoost模型识别GLM肿块期术后复发排名前5的因素.结论 与传统的logistic回归预测模型相比,基于机器学习识别GLM肿块期术后复发的模型均表现出较优性能,其中XGBoost模型表现最佳,临床可基于上述危险因素给予针对性预防措施以改善GLM肿块期术后预后.
万方数据
维普
NETL
NSTL