超越视觉检查：多模态机器学习模型能否提升子宫内膜息肉与非息肉状子宫内膜病变的术前鉴别能力？

《BMC Women's Health》：Beyond visual inspection: can a multimodal machine learning model improve the preoperative differentiation of endometrial polyps from non-polypoid endometrial lesions?

　　

摘要

目的

构建一种多模态机器学习模型，整合临床数据与超声特征，以提高术前无创鉴别子宫内膜息肉与非息肉型子宫内膜病变（包括息肉样增生及正常子宫内膜组织）的准确性。

方法

这项单中心回顾性队列研究纳入了913名术前被诊断为子宫内膜息肉的患者，其诊断结果通过术后病理确认。根据病理结果，这些患者被分为典型息肉组（n?=?601）和非息肉组（n?=?312，主要为息肉样增生）。研究收集了患者的临床基线特征、经阴道超声特征以及宫腔镜观察结果。通过多元分析确定独立预测因子，进而构建了包括逻辑回归、决策树、随机森林和梯度提升决策树在内的多种预测模型，并以70:30的比例将数据分为训练集和测试集进行评估。

结果

两组患者在基线特征上无显著差异。典型子宫内膜息肉在超声检查中更常表现为局灶性肿块（82.4%对比75.3%），且更有机会检测到病灶内的血流（51.6%对比38.8%）。多元分析表明，超声显示的子宫内膜厚度、超声检测到的血流以及宫腔镜下观察到的赘生物是独立预测因子。在所测试的模型中，梯度提升决策树的鉴别性能最佳，其受试者工作特征曲线下面积为0.727，优于传统的逻辑回归模型（AUC?=?0.599）。

结论

多模态机器学习模型，尤其是梯度提升决策树，可作为区分子宫内膜息肉与息肉样增生的有用辅助工具。不过，目前这类模型的诊断性能尚不足以单独用于临床决策。这些研究结果凸显了现有无创方法的局限性，进一步强调了病理学确诊的必要性。未来的研究应致力于引入更多客观的定量放射组学特征，以优化术前风险分层。