基于机器学习的儿童卵巢扭转多模态诊断算法开发及98%准确率验证

本研究针对儿童卵巢扭转诊断难题，开发了整合临床体征、超声特征（如滤泡环征、游离液体）和炎症指标（WBC/NLR/SII/SIRI/CRP）的机器学习模型。通过决策树等算法分析143例病例数据，实现98%准确率和100%特异性的突破性成果，为急诊快速诊断提供AI新工具。

　　

儿童卵巢扭转是威胁生育功能的妇科急症，但临床诊断面临巨大挑战。超声检查中20-73%的病例缺乏特征性血流信号，而腹痛等常见症状特异性不足，常导致误诊和卵巢坏死。目前诊断依赖医生经验，缺乏标准化工具，使得这一发病率2.2/10万^-1
的疾病成为儿科急诊的决策难题。

健康科学大学Dr. Behcet Uz儿童医院团队创新性地将机器学习(ML)引入该领域。研究者回顾性分析了2013-2023年间70例确诊患儿和73例对照的临床数据，首次构建了整合物理检查（恶心/呕吐持续时间）、实验室指标（WBC>12×10⁹
/L、NLR>3.2）和超声特征（卵巢大小比>1.5、滤泡环征）的决策模型。通过5折交叉验证，决策树算法展现出98%的F1-score和100%特异性，显著优于传统诊断方法。

关键技术包括：1）建立143例儿科患者的多模态数据库；2）应用决策树、随机森林和LightGBM三类监督学习算法；3）采用5折交叉验证评估模型性能。所有数据均来自同一医疗中心，确保质量控制。

【Material & Methods】
研究纳入70例ICD编码Q50.1/N83.5的卵巢扭转患儿，对照组为73例急性腹痛但超声排除扭转的病例。采集指标涵盖症状持续时间、触诊肿块、WBC、NLR、SII（系统性免疫炎症指数）、SIRI（系统性炎症反应指数）及超声参数（卵巢位置、滤泡环征、盆腔积液）。

【Results】
• 症状学：恶心/呕吐持续时间（p<0.05）具有鉴别价值，而腹痛和触诊肿块无统计学意义
• 炎症标志：WBC、NLR、SII、SIRI和CRP在扭转组显著升高（p<0.001）
• 超声特征：卵巢大小比（OR=4.2）、内侧移位、滤泡环征和盆腔积液具有极显著差异（p<0.001）
• 模型性能：决策树在交叉验证中保持98%稳定准确率，对扭转阴性病例识别率达100%

【Discussion】
该研究突破性地证实滤泡环征和卵巢大小比是最强预测因子，这与既往认为血流信号为金标准的认知形成对比。ML模型将多参数定量关联，解决了单一指标特异性不足的临床痛点。特别值得注意的是，即便在血流正常的疑似病例中，该模型仍可通过炎症指标组合实现早期预警。

【Conclusion】
这项开创性研究建立了首个儿科卵巢扭转的ML诊断框架，其98%的准确率显著优于现有诊断流程。模型将超声特征（滤泡环征、游离液体）与炎症指标（NLR>3.2、CRP>5mg/L）智能整合，为急诊科提供了客观决策工具。该成果对保护儿童生育功能具有重要临床价值，相关算法已具备转化为临床诊断系统的潜力。论文发表于《Journal of Pediatric Surgery》，通讯作者为Arzu Sencan和Asya Eylem Bozta?。