Модели машинного обучения для прогнозирования NPVR ≥80% при аблации миомы матки методом HIFU

Введение: В настоящее время высокоинтенсивный сфокусированный ультразвук (HIFU) широко применяют для лечения миомы матки. Цель исследования — разработать модель машинного обучения, способную точно прогнозировать эффективность аблации HIFU при миоме матки и помочь в предоперационном отборе подходящих пациенток.

Методы: В исследование включили данные 1000 пациенток с миомой матки, которым проводили ультразвуково-контролируемую аблацию высокоинтенсивным сфокусированным ультразвуком. Для многомерного отбора признаков использовали регрессию LASSO. Для прогнозирования эффективности аблации применили пять алгоритмов машинного обучения: логистическую регрессию, случайный лес, экстремальный градиентный бустинг (XGBoost), искусственную нейронную сеть и градиентный бустинг на деревьях решений. Эффективность оценивали по коэффициенту объема без перфузии (NPVR), который разделяли на две категории: NPVR <80% и NPVR ≥80%.

Результаты: Наиболее эффективной оказалась модель XGBoost, показавшая наивысшую площадь под кривой ROC (AUC) 0,692 (95% ДИ 0,622–0,762) в тестовой выборке. К четырем ключевым предикторам относились Т2-взвешенное изображение, расстояние от вентральной поверхности миомы до кожи, число тромбоцитов и контраст-усиленное Т1-взвешенное изображение.

Выводы: Модель машинного обучения, созданная в этом исследовании, показала значительный потенциал для точного предоперационного прогнозирования эффективности аблации HIFU при миоме матки. Эти данные важны для клиницистов при предоперационной оценке и отборе пациенток, что может повысить точность планирования лечения.