基于CT影像组学模型鉴别诊断小细胞肺癌与非小细胞肺癌

目的观察基于CT影像组学模型鉴别诊断小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)的效能。方法回顾性分析1 524例经手术病理确诊的肺癌患者,其中526例SCLC (SCLC组), 998例NSCLC(NSCLC组)。采用特征提取软件MaZda(Version 4.6)提取CT图像中病灶最大层面的纹理特征参数,以Correlation相关性分析和最小绝对收缩和选择算子(LASSO)算法对数据进行降维,筛选组间差异明显的影像组学特征,构建影像组学模型。以7∶3比例将全部患者分为训练集和验证集,采用7种机器学习模型,包括Logistic回归、随机森林(RF)、贝叶斯算法(NB)、决策树(DT)、卷积神经网络(CNN)、邻近算法(KNN)和支持向量机(SVM)模型对数据集进行处理,根据其在验证集的准确率选择最佳分类器模型,采用受试者工作特征(ROC)曲线分析该分类器模型对SCLC与NSCLC的鉴别诊断效能。结果针对每个病灶提取306个纹理特征参数,最终筛选出20个组间差异明显的影像组学特征,并以之构建预测模型。模型训练结果显示,KNN模型鉴别诊断SCLC与NSCLC的准确率最高,其在训练集的AUC为0.88、准确率81.34%、特异度97.00%、敏感度51.63%,在验证集的AUC为0.82、准确率78.82%、特异度95.00%、敏感度48.10%。结论基于CT影像组学结合机器学习算法建立的诊断模型可用于鉴别SCLC与NSCLC,以KNN模型的效能更优。     

产后抑郁风险预测模型的构建和验证

目的 构建产后抑郁风险预测模型，并识别预测因子。 方法 选取住院分娩产妇835人为研究对象，按照时间段分为训练集722人及测试集113人，以产后6周是否发生产后抑郁为结局指标。利用logistic回归、支持向量机和随机森林3种监督学习算法建立风险预测模型，采用序列前向选择法筛选特征，通过网格搜索法调整模型参数。将训练好的模型在训练集上进行十折交叉验证，在测试集上进行外部验证。 结果 产妇产后6周抑郁发生率为22.6%（189/835）。经筛选，最终纳入14个预测因子。3种监督学习模型中，随机森林模型预测性能最佳，在测试集上的受试者工作特征曲线下面积、Brier得分、准确率、精确度、召回率和F1得分分别为0.943、0.073、0.903、0.684、0.722和0.703。 结论 基于随机森林的产后抑郁风险模型预测性能最佳，能够辅助医护人员识别高风险人群。     

基于SMOTE算法和决策树的绝经后骨质疏松性骨折分类模型建构

目的构建符合北京、上海两地40～65岁女性人口学特征的危险因素和中医症状相结合的骨质疏松性骨折早期风险预测工具。方法本研究采用注册登记式研究的方法 ,于2009年3-8月在北京市东城区及上海市徐汇区收集的1 823例40～65岁女性骨质疏松症高危人群的危险因素及中医症状信息,进行连续3年的登记观察。采用SMOTE过抽样算法平衡数据,基于决策树模型筛选与骨质疏松症骨折有关的危险因素及中医症状,并建立骨质疏松性骨折风险评估工具。结果本研究选择C4.5算法作为预测模型建立工具。首先筛选出对绝经后骨质疏松性骨折高危患者发生脆性骨折的危险因素,然后建立预测模型。由于样本量较小,在节点的设置中采用交叉验证,Mode选用Expert,修剪纯度设为75,采用全局修剪。根据此生长和修剪规则,所建立分类树模型共包括5层,共19个结点,共筛选出6个解释变量。各指标按重要程度从大到小依次为骨密度、目眩、肉类、生产次数、视物模糊和乏力。经过逐层各影响因素的分类,最终骨折人群比例占13%。对该预测模型预测概率绘制受试者工作特征曲线,结果显示曲线下面积为0.871(95%CI=0.8226-0.9211)。结论初步建立了基于北京、上海人口学特征40～65岁女性骨质疏松性骨折分类模型。     

小鼠骨质疏松模型建立方法与评价指标选择概述

骨质疏松症是中老年人中一种常见病、多发病,动物模型尤其是啮齿类动物模型是研究并治疗骨质疏松的重要工具,并且由于近年来在骨生理学领域史无前例的有效应用,使得小鼠骨质疏松模型越来越受到研究者们的关注.本文收集并整理了近年来小鼠骨质疏松模型建立方法及其相关评价指标的选择,以期为今后有针对性的研究并治疗骨质疏松症提供全面的动物造模和关键指标选择的参考.     

机器学习算法模型预测体外冲击波碎石治疗输尿管结石的疗效

目的 探讨基于机器学习算法构建体外冲击波碎石术(ESWL)治疗输尿管结石疗效的预测模型,比较各种算法模型的预测效果及优劣。方法 纳入接受ESWL治疗的输尿管结石患者1 116例。利用患者性别、年龄、身高、体重、病程、临床症状、结石长径和短径等特征因素以及体外冲击波碎石治疗3个月后的清石结局数据,分别构建随机森林(RF)和极致梯度提升树(XGBoost)预测模型,与Logistic回归预测模型相互比较。结果 Logistic回归预测模型对体外冲击波碎石疗效的预测准确率为84.67%,ROC曲线下面积(AUC)为0.70。随机森林和极致梯度提升树预测模型的预测准确率分别为91.76%、98.75%,AUC分别为0.9904和0.9998。三种预测模型结果提示结石部位与结石负荷影响治疗的成功率。结论 机器学习算法的随机森林和极致梯度提升树算法可以极大提高ESWL治疗输尿管结石疗效的预测准确率。     

基于机器学习算法预测甲状腺乳头状癌右喉返神经后方淋巴结转移907例临床研究

目的 构建基于机器学习算法的甲状腺乳头状癌右喉返神经后方淋巴结（LN-prRLN）转移预测模型，并验证其预测效果。方法 回顾性分析2014年3月至2019年7月在浙江大学医学院附属杭州市第一人民医院肿瘤外科接受手术的907例甲状腺乳头状癌病人。分别纳入性别、年龄、肿瘤大小、被膜侵犯、多灶性等临床病理资料。根据时间序列，分为训练组（n=595）和验证组（n=312）。运用Logistic回归及分类树、随机森林、梯度提升法、支持向量机等机器学习算法进行特征变量选择，并构建LN-prRLN转移的预测模型。结果 分类树模型的受试者操作特征曲线（ROC）曲线下面积为0.654，敏感度为33.00%，特异度为97.78%，准确率为86.89%；随机森林模型的ROC曲线下面积为0.753，敏感度为57.00%，特异度为100.00%，准确率为92.77%；支持向量机模型的ROC曲线下面积为0.604，敏感度为27.00%，特异度为83.19%，准确率为86.39%；梯度提升法的ROC曲线下面积为0.873，敏感度为72.00%，特异度为89.49%，准确率为87.90%。结论 LN-prRLN转移预测模型对甲状腺乳头状癌右喉返神经后方淋巴结转移具有良好的预测效果，其中梯度提升法具有较高的诊断效能。     

基于CT影像组学胰十二指肠切除术后胰瘘风险预测模型及其价值

目的 探讨基于CT影像组学模型术前预测胰十二指肠切除术后胰瘘（POPF）的应用价值。方法 回顾性分析106例接受胰十二指肠切除术患者的临床及腹部CT资料,其中POPF（+）组36例,POPF（–）组70例。采用ITAK-SNAP软件勾画CT图像感兴趣区域（ROI）,Python程序的radiomics包进行影像组学特征提取,使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归进一步筛选特征、建立影像组学评分（Rad-score）,构建影像组学预测模型。然后将临床特征、Rad-score纳入多因素Logistic回归分析,筛选出POPF发生的独立危险因素,构建临床预测模型以及联合影像学组学特征的混合模型。最后采用受试者工作特征曲线（ROC）评估不同模型的预测效能。结果 共筛选出7个非零影像组学特征并建立了Rad-score。BMI、胰管扩张及Rad-score均是发生POPF的独立危险因素。影像组学预测模型、临床特征预测模型及混合预测模型预测POPF的曲线下面积（AUC）为分别为0.72、0.69、0.80;Delong检验表明临床特征预测模型与混合预测模型间的差异具有统计学意义。结论 基于CT影像组学模型在术前辅助预测胰十二指肠切除术POPF方面具有一定的价值,联合临床指标能够提高模型的预测效能。     

基于术前MRI影像组学特征预测肝癌经肝动脉化疗栓塞治疗的反应性

目的 探索术前MRI影像组学特征预测肝细胞癌（hepatocellular carcinoma,HCC）对经肝动脉化疗栓塞（transcatheter arterial chemoembolization,TACE）治疗反应性的可行性。方法 回顾性收集2016年3月至2018年4月经临床或病理确诊、并在温州医科大学附属第五医院接受TACE治疗的中晚期HCC患者86例,采用随机数字表法分为训练组（n=59）及验证组（n=27）,基于ITK-SNAP软件在术前T2WI图像勾画肿瘤感兴趣区,使用GE AI-Kit软件提取影像特征;经最小绝对收缩与选择算子（LASSO）回归筛选最优的特征子集,并构建TACE反应性预测模型;利用受试者工作特征（ROC）曲线、校准曲线及决策曲线分析评价模型的诊断效能和临床应用价值。结果 共筛选出8个影像学特征与TACE反应性相关,并成功构建预测模型。训练组中,该模型的ROC曲线下面积（AUC）为0.838（95%CI 0.737～0.939）,灵敏度为74.1%,特异度为84.4%;在验证组中,AUC为0.794（95%CI 0.604～0.985）,灵敏度为75.0%,特异度为80.0%。校准曲线显示该模型在训练组和验证组的预测概率与实际概率拟合较好;决策曲线分析显示该模型在0.1～1.0的阈值范围内具有较高的净收益。结论 术前MRI T2WI图像影像组学特征可用于预测HCC的TACE 反应性,基于MRI T2WI图像影像特征的预测模型特异度和灵敏度较高。     

钆塞酸二钠增强MRI影像组学对肝血管瘤腹腔镜肝切除术后疗效的预测价值

目的 探讨钆塞酸二钠（Gd-EOB-DTPA）增强MRI影像组学对肝血管瘤腹腔镜肝切除术疗效的预测价值。方法 选取2018年2月至2020年10月行腹腔镜肝切除术治疗的肝血管瘤患者131例作为研究对象。采用计算机产生随机数法将131例肝血管瘤患者以7:3的比例分为训练集（92例）和验证集（39例）,分别用于构建和验证预测模型效能。根据术后是否出现并发症将训练集患者分为预后不良组和预后良好组,比较两组患者的临床特征资料。使用最小绝对收缩和选择算子（the least absolute shrinkage and selection operator,LASSO）回归5折交叉验证方法筛选训练集临床和影像组学特征,得到最优特征子集。使用机器学习算法构建预测模型,并使用受试者工作特征（receiver operating characteristics,ROC）曲线评价各模型对肝血管瘤术后疗效的预测价值。结果 训练集中预后良好64例,预后不良28例,两组在慢性疾病、肝血管瘤最大径、血管瘤数、血管瘤供血动脉支数、肝切除大小、术中出血量方面差异均有统计学意义（P<0.05）。依据LASSO回归中的最佳λ取值筛选出14个非零系数特征构成的最优特征子集,其中包括12个组学特征和2个临床特征。利用训练集筛选出的最优特征子集构建Logistic回归、CatBoost、XGBoost和LightGBM模型的AUC分别为0.820、0.722、0.784、0.693。验证集构建的Logistic回归、CatBoost、XGBoost和LightGBM模型的ROC曲线下面积（AUC）分别为0.814、0.706、0.785、0.684。4种机器学习模型的预测效果良好,其中Logistic回归的预测效果优于其他3种。结论 血管瘤最大径和血管瘤数目,结合Gd-EOB-DTPA增强MRI影像组学,以此构建的机器学习模型可用于预测肝血管瘤腹腔镜肝切除术后疗效,其中Logistic回归算法构建的模型更加精准。     

基于机器学习的胰腺癌特征基因筛选初步研究

背景与目的 胰腺癌是一种难治的癌症,90%以上的患者在诊断后1年内死亡。胰腺癌病变组织和正常组织之间存在差异表达基因（DEGs）可能与胰腺癌的发生和发展密切相关。本研究运用机器学习方法对胰腺癌DEGs进行筛选,以期为研究该病的发生机制提供依据。方法 从公共基因GEO数据库中筛选胰腺癌基因表达谱,使用线性回归模型软件包Limma对不同组的芯片进行差异性计算,归一化;使用R语言获得DEGs,对筛选出来的DEGs特征选择方法进一步进行筛选;基于获得的核心DEGs,采用AdaBoost和Bagging算法分别构建胰腺癌预测模型。用DAVID 网站对核心DEGs进行GO功能分析和KEGG通路富集分析,再用STRING网站及Cytscape软件对核心DEGs进行蛋白-蛋白相互作用（PPI）网络分析,最后用GEPIA网站对预后相关的核心DEGs行生存分析。结果 通过特征筛选,得到了18个关键的DEGs;以该18个DEGs建立特征子集,结合AdaBoost算法建立了预测模型,预报准确率可以达到92.3%。通过对DEGs的GO和KEGG分析,发现CDK1、CCNA2和CCNB1有间接作用,对胰腺癌的形成和发展有一定的作用。生存分析显示,CDK1（P=0.000 8）、CCNB1（P=0.012）、CSK2（P=0.023）、CKS1B（P=0.001 3）的表达量与患者总生存期（OS）有相关性,它们的表达量越高,患者OS越短。结论 机器学习方法可较好地对胰腺癌特征基因进行筛选,对胰腺癌的诊治及相关的药物开发具有一定意义。     

引入遗传因子的骨密度机器学习回归模型研究

目的 构建遗传因素及临床风险因素相结合的骨密度机器学习回归模型，识别影响个体对骨质疏松易感性的最优特征组合。方法 以最大互信息系数与序列浮动前向选择作为两阶段特征选择方法选择最优特征子集，基于随机森林建立骨密度回归模型。结果 在2 263例白种人样本数据集进行十折交叉验证实验，结果表明当包含51个SNP位点，6个临床特征时，两阶段特征选择方法结合随机森林模型的均方根误差最低为0.093 598 g/cm3，相较仅以临床危险因素作为特征时RMSE降低了5.36 %；与选用其他特征选择方法及回归模型的比较实验证实了本文提出模型的良好稳定性。结论 骨质疏松症致病因素分析方法能够发现隐藏的特征间相互作用，识别最优特征组合，从而更好地预测和诊断复杂疾病。     

Prediction of femoral strength of elderly men based on quantitative computed tomography images using machine learning

Hip fracture is the most common complication of osteoporosis, and its major contributor is compromised femoral strength. This study aimed to develop practical machine learning models based on clinical quantitative computed tomography (QCT) images for predicting proximal femoral strength. Eighty subjects with entire QCT data of the right hip region were randomly selected from the full MrOS cohorts, and their proximal femoral strengths were calculated by QCT-based finite element analysis (QCT/FEA). A total of 50 parameters of each femur were extracted from QCT images as the candidate predictors of femoral strength, including grayscale distribution, regional cortical bone mapping (CBM) measurements, and geometric parameters. These parameters were simplified by using feature selection and dimensionality reduction. Support vector regression (SVR) was used as the machine learning algorithm to develop the prediction models, and the performance of each SVR model was quantified by the mean squared error (MSE), the coefficient of determination (R²), the mean bias, and the SD of bias. For feature selection, the best prediction performance of SVR models was achieved by integrating the grayscale value of 30% percentile and specific regional CBM measurements (MSE ≤ 0.016, R²≥ 0.93); and for dimensionality reduction, the best prediction performance of SVR models was achieved by extracting principal components with eigenvalues greater than 1.0 (MSE ≤ 0.014, R²≥ 0.93). The femoral strengths predicted from the well-trained SVR models were in good agreement with those derived from QCT/FEA. This study provided effective machine learning models for femoral strength prediction, and they may have great potential in clinical bone health assessments.     

骨代谢生化指标临床应用专家共识(2023修订版)

骨代谢生化指标的临床应用，为骨质疏松的诊断、鉴别诊断、预测骨折风险及抗骨质疏松治疗疗效评价提供了分子生物学依据，并在骨质疏松流行病学研究、发病机制、骨质疏松药物开发研究方面具有重要意义。由于骨代谢生化指标检测特异性强、灵敏度高，其应用日趋广泛。该文检索了大量中外文献，编审了《骨代谢生化指标临床应用专家共识》(2023修订版),对骨代谢生化指标的分类、骨代谢生化指标的方法学以及生物学意义、骨代谢指标的检测变异等进行了论述。     

Machine Learning Can Improve Clinical Detection of Low BMD: The DXA-HIP Study

Background: Identification of those at high risk before a fracture occurs is an essential part of osteoporosis management. This topic remains a significant challenge for researchers in the field, and clinicians worldwide. Although many algorithms have been developed to either identify those with a diagnosis of osteoporosis or predict their risk of fracture, concern remains regarding their accuracy and application. Scientific advances including machine learning methods are rapidly gaining appreciation as alternative techniques to develop or enhance risk assessment and current practice. Recent evidence suggests that these methods could play an important role in the assessment of osteoporosis and fracture risk. Methods: Data used for this study included Dual-energy X-ray Absorptiometry (DXA) bone mineral density and T-scores, and multiple clinical variables drawn from a convenience cohort of adult patients scanned on one of 4 DXA machines across three hospitals in the West of Ireland between January 2000 and November 2018 (the DXA-Heath Informatics Prediction Cohort). The dataset was cleaned, validated and anonymized, and then split into an exploratory group (80%) and a development group (20%) using the stratified sampling method. We first established the validity of a simple tool, the Osteoporosis Self-assessment Tool Index (OSTi) to identify those classified as osteoporotic by the modified International Society for Clinical Densitometry DXA criteria. We then compared these results to seven machine learning techniques (MLTs): CatBoost, eXtreme Gradient Boosting, Neural network, Bagged flexible discriminant analysis, Random forest, Logistic regression and Support vector machine to enhance the discrimination of those classified as osteoporotic or not. The performance of each prediction model was measured by calculating the area under the curve (AUC) with 95% confidence interval (CI), and was compared against the OSTi. Results: A cohort of 13,577 adults aged ≥40 yr at the age of their first scan was identified including 11,594 women and 1983 men. 2102 (18.13%) females and 356 (17.95%) males were identified with osteoporosis based on their lowest T-score. The OSTi performed well in our cohort in both men (AUC 0.723, 95% CI 0.659–0.788) and women (AUC 0.810, 95% CI 0.787-0.833). Four MLTs improved discrimination in both men and women, though the incremental benefit was small. eXtreme Gradient Boosting showed the most promising results: +4.5% (AUC 0.768, 95% CI 0.706–0.829) for men and +2.3% (AUC 0.833, 95% CI 0.812–0.853) for women. Similarly MLTs outperformed OSTi in sensitivity analyses—which excluded those subjects taking osteoporosis medications—though the absolute improvements differed. Conclusion: The OSTi retains an important role in identifying older men and women most likely to have osteoporosis by bone mineral density classification. MLTs could improve DXA detection of osteoporosis classification in older men and women. Further exploration of MLTs is warranted in other populations, and with additional data.     

Prediction for global African swine fever outbreaks based on a combination of random forest algorithms and meteorological data

African swine fever (ASF) is a virulent infectious disease of pigs. As there is no effective vaccine and treatment method at present, it poses a great threat to the pig industry once it breaks out. In this paper, we used ASF outbreak data and the WorldClim database meteorological data and selected the CfsSubset Evaluator‐Best First feature selection method combined with the random forest algorithms to construct an African swine fever outbreak prediction model. Subsequently, we also established a test set for data other than modelling, and the accuracy accuracy value range of the model on the independent test set was 76.02%–84.64%, which indicated that the modelling effect was better and the prediction accuracy was higher than previous estimates. In addition, logistic regression analysis was conducted on 12 features used for modelling and the ROC curves were drawn. The results showed that the bio14 features (precipitation of driest month) had the largest contribution to the outbreak of ASF, and it was speculated that the outbreak of the epidemic was significantly related to precipitation. Finally, we used this qualitative prediction model to build a global online prediction system for ASF outbreaks, in the hope that this study will help to decision‐makers who can then take the relevant prevention and control measures in order to prevent the further spread of future epidemics of the disease.     

机器学习算法在肝细胞癌微血管侵犯术前预测中的应用价值

目的探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料;男235例,女42例;年龄为(56±10)岁,年龄范围为33~80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图,支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标:(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以±s表示,组间比较采用配对t检验。计数资料以绝对数表示,组间比较采用χ2检验。单因素和多因素分析采用Logistic回归模型。结果(1)训练集及验证集患者临床病理资料分析:训练集和验证集患者性别(男,女)分别为157、36例和78、6例,两组比较,差异有统计学意义(χ2=6.028,P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析:训练集193例患者中,MVI阳性108例,MVI阴性85例。单因素分析结果显示:年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比=0.971,2.449,1.368,4.050,2.956,4.083,2.532,1.996,95%可信区间为0.943~1.000,1.169~5.130,1.180~1.585,1.316~12.465,1.310~6.670,2.214~7.532,1.016~6.311,1.323~3.012,P<0.05)。多因素分析结果显示:AFP>20μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比=3.680,3.100,1.438,3.628,95%可信区间为1.842~7.351,1.334~7.203,1.201~1.721,1.438~9.150,P<0.05),而年龄越大,MVI发生风险越低(比值比=0.958,95%可信区间为0.923~0.994,P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较:①应用多因素分析结果筛选指标,包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界,构建逻辑回归列线图,SVM、RF、ANN及LightGBM机器学习算法预测模型,一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815,SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.731~0.849,0.744~0.860,0.752~0.867,0.747~0.862,Z=0.995,0.245,0.130,0.102,P>0.05)和(95%可信区间为0.690~0.873,0.679~0.865,0.702~0.882,0.715~0.891,Z=0.325,0.026,0.744,0.803,P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序,选择重要度>0.01的指标,包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ-谷氨酰转移酶、ALP和纤维蛋白原,构建RF机器学习算法预测模型;挑选重要度>5.0的指标,包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原,构建LightGBM机器学习算法预测模型;由于ANN及SVM机器学习算法不具备筛选指标能力,应用单因素分析结果筛选指标,包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平,构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836,分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.740~0.857,0.779~0.887,0.729~0.848,0.789~0.895,Z=0.421,0.119,0.689,1.517,P>0.05)和(95%可信区间为0.710~0.888,0.700~0.881,0.701~0.881,0.740~0.908,Z=0.856,0.458,0.532,1.306,P>0.05)]。结论机器学习算法可用于术前预测肝细胞癌MVI,但其应用价值尚需多中心大样本数据进一步验证。     

慢性肾脏病患者继发性骨质疏松症的管理

慢性肾脏病(CKD)继发骨质疏松症的患者骨折风险明显增加,严重影响患者的生活质量,使死亡率增加。规范管理CKD患者继发性骨质疏松症具有重要意义。肾小球滤过率下降带来的全身矿物质代谢异常是导致CKD患者骨质疏松的重要因素。临床诊断和评估CKD患者的骨质疏松,建议根据KDIGO指南进行生化指标的评估,定期检测骨密度,使用风险预测工具如亚洲人骨质疏松自我筛查工具(OSTA)和WHO骨折风险预测简易工具(FRAX)进行骨质疏松骨折风险预测。骨质疏松重在防范,治疗应个体化,除了基础治疗,必要时可采用药物治疗,如活性维生素D、双膦酸盐、降钙素等,但应严格掌握适应症,考虑其在CKD患者中的安全性问题,避免发生高钙血症、血管钙化等临床严重问题。     

机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值

目的探讨机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值。方法采用回顾性描述性研究方法。收集2012年1月至2017年1月中国医学科学院北京协和医学院肿瘤医院收治的375例肝细胞癌行根治性肝切除术患者的临床病理资料;男304例,女71例;中位年龄为57岁,年龄范围为21~79岁。375例患者通过计算机产生随机数方法以8∶2比例分为训练集300例和验证集75例,应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络机器学习算法构建肝细胞癌患者术后生存的预测模型,筛选性能最优的机器学习算法预测模型;构建肝细胞癌患者术后生存预测的COX列线图预测模型;比较最优机器学习算法预测模型和COX列线图预测模型预测肝细胞癌患者术后生存的性能。观察指标:(1)训练集与验证集患者临床病理资料分析。(2)训练集与验证集患者随访及生存情况。(3)机器学习算法预测模型构建及验证。(4)COX列线图预测模型构建及验证。(5)随机森林机器学习算法预测模型与COX列线图预测模型预测性能评价。采用门诊或电话方式进行随访,了解患者生存情况。随访时间截至2019年12月或患者死亡。正态分布的计量资料以±s表示,组间比较采用配对t检验。偏态分布的计量资料以M(P25,P75)或M(范围)表示,组间比较采用Mann-Whitney U检验。计数资料以绝对数表示,当Tmin≥5,N≥40时,组间比较采用χ2检验;当1≤Tmin≤5,N≥40时,采用校正χ2检验;当Tmin<1或N<40时,采用Fisher确切概率法。采用Kaplan-Meier法计算生存率和绘制生存曲线。采用COX比例风险模型进行单因素分析,将P<0.2的变量纳入Lasso回归分析,根据λ值筛选影响预后的变量,最后将变量纳入COX比例风险模型进行多因素分析。结果(1)训练集与验证集患者临床病理资料分析:训练集和验证集患者微血管侵犯(无、有),肝硬化(无、有)分别为292、8例,105、195例和69、6例,37、38例,两组患者比较,差异均有统计学意义(χ2=4.749,5.239,P<0.05)。(2)训练集与验证集患者随访及生存情况:训练集与验证集患者均获得随访。训练集300例患者随访时间为1.1~85.5个月,中位随访时间为50.3个月。验证集75例患者随访时间为1.0~85.7个月,中位随访时间为46.7个月。375例肝细胞癌患者术后1、3年总体生存率分别为91.7%、79.5%。训练集和验证集患者术后1、3年总体生存率分别为92.0%、79.7%和90.7%、81.9%。两组患者术后生存情况比较,差异无统计学意义(χ2=0.113,P>0.05)。(3)机器学习算法预测模型构建及验证。①筛选最优机器学习算法预测模型:根据变量对预测肝细胞癌术后3年生存的信息增益度,应用逻辑回归、支持向量机、决策树、随机森林和人工神经网络5种机器学习算法对肝细胞癌临床病理因素进行变量综合排名。筛选主要预测因素为乙型肝炎e抗原(HBeAg)、手术方式、肿瘤最大直径、围术期输血、肝被膜侵犯、肝脏Ⅳ段侵犯。将预测因素前3、6、9、12、15、18、21、24、27、29个变量依次引入5种机器学习算法。其结果显示:当引入9个变量时,逻辑回归、支持向量机、决策树、随机森林机器学习算法预测模型受试者工作特征曲线的曲线下面积(AUC)趋于稳定。当引入变量>12个时,人工神经网络机器学习算法预测模型AUC波动明显,逻辑回归、支持向量机机器学习算法预测模型AUC稳定性可继续改善,而随机森林机器学习算法预测模型AUC接近0.990,说明随机森林机器学习算法预测模型为最优机器学习算法预测模型。②随机森林机器学习算法预测模型优化和验证:将预测因素29个变量依次引入随机森林机器学习算法预测模型中,构建训练集最佳随机森林机器学习算法预测模型。其结果显示:当引入变量=10个时,网格搜索法示最佳决策树结点个数=4,最佳决策树数目=1000;当引入变量≥10个时,随机森林机器学习算法预测模型AUC稳定在0.990左右。其中当引入变量=10个时,随机森林机器学习算法预测模型预测训练集术后3年总体生存AUC为0.992,灵敏度为0.629,特异度为0.996,预测验证集术后3年总体生存AUC为0.723,灵敏度为0.177,特异度为0.948。(4)COX列线图预测模型构建及验证。①训练集患者术后生存因素分析。单因素分析结果显示:HBeAg、甲胎蛋白、围术期输血、肿瘤最大直径、肝被膜侵犯、肿瘤分化程度是影响肝细胞癌患者术后生存的相关因素(风险比=1.958,1.878,2.170,1.188,2.052,0.222,95%可信区间为1.185~3.235,1.147~3.076,1.389~3.393,1.092~1.291,1.240~3.395,0.070~0.703,P<0.05)。将P<0.2的临床病理因素纳入Lasso回归分析,其结果显示:性别,HBeAg,甲胎蛋白,手术方式,围术期输血,肿瘤最大直径,肿瘤位置在肝脏Ⅴ段和肝脏Ⅷ段,肝被膜侵犯,肿瘤分化程度(高分化、中高分化、中分化、中低分化)是影响肝细胞癌患者术后生存的相关因素。进一步将上述临床病理因素纳入多因素COX回归分析,其结果显示:HBeAg、手术方式、肿瘤最大直径是肝细胞癌患者术后生存的独立影响因素(风险比=1.770,8.799,1.142,95%可信区间为1.049~2.987,1.203~64.342,1.051~1.242,P<0.05)。②COX列线图预测模型的构建和验证:将训练集COX多因素分析结果中P≤0.1的临床病理因素引入Rstudio软件及其rms软件包,构建训练集COX列线图预测模型。COX列线图预测模型预测术后总体生存的C-index为0.723(se=0.028),预测训练集术后3年总体生存AUC为0.760,预测验证集术后3年总体生存AUC为0.795。训练集校准图验证显示COX列线图预测模型对术后生存有较好预测效果。COX列线图回归函数=0.62706×HBeAg(正常=0,异常=1)+0.13434×肿瘤最大直径(cm)+2.10758×手术方式(腹腔镜=0,开腹手术=1)+0.54558×围术期输血(无输血=0,输血=1)-1.42133×高分化(非高分化=0,高分化=1)。计算所有患者COX列线图风险评分,应用Xtile软件寻找COX列线图风险评分最佳阈值,风险评分≥2.9分为高危组,风险评分<2.9分为低危组。Kaplan-Meier总体生存曲线结果显示:训练集低危组和高危组患者术后总体生存比较,差异有统计学意义(χ2=33.065,P<0.05)。验证集低危组和高危组患者术后总体生存比较,差异有统计学意义(χ2=6.585,P<0.05)。进一步采用决策曲线分析结果显示:联合HBeAg、手术方式、围术期输血、肿瘤最大直径和肿瘤分化程度因素的COX列线图预测模型预测性能优于单一因素的预测性能。(5)随机森林机器学习算法预测模型和COX列线图预测模型预测性能评价:通过对2种模型中共同含有的重要变量(肿瘤最大直径)进行分析,并将2种模型通过预测误差曲线进行比较,观察2种模型的预测差异。其结果显示:肿瘤最大直径为2.2 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为77.17%和74.77%(χ2=0.182,P>0.05);肿瘤最大直径为6.3 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为57.51%和61.65%(χ2=0.394,P>0.05);肿瘤最大直径为14.2 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为51.03%和27.52%(χ2=12.762,P<0.05)。随着肿瘤最大直径增加,2种模型预测患者生存率差异增大。验证集中,随机森林机器学习算法预测模型预测患者术后3年总体生存AUC为0.723,COX列线图预测模型预测患者术后3年总体生存AUC为0.795,两者比较,差异有统计学意义(t=3.353,P<0.05)。采用Bootstrap交叉验证结果显示:随机森林机器学习算法预测模型和COX列线图预测模型预测3年生存的整合Brier得分分别为0.139、0.134,COX列线图预测模型预测误差低于随机森林机器学习算法预测模型。结论与机器学习算法预测模型比较,COX列线图预测模型预测肝细胞癌术后3年生存性能更佳,且其变量少,易于临床使用。     

Predicting postoperative delirium after microvascular decompression surgery with machine learning

ObjectiveThe aim of this study was to predict early delirium after microvascular decompression using machine learning.DesignRetrospective cohort study.SettingSecond Hospital of Lanzhou University.PatientsThis study involved 912 patients with primary cranial nerve disease who had undergone microvascular decompression surgery between July 2007 and June 2018.InterventionsNone.MeasurementsWe collected data on preoperative, intraoperative, and postoperative variables. Statistical analysis was conducted in R, and the model was constructed with python. The machine learning model was run using the following models: decision tree, logistic regression, random forest, gbm, and GBDT models.Results912 patients were enrolled in this study, 221 of which (24.2%) had postoperative delirium. The machine learning Gbm algorithm finds that the first five factors accounting for the weight of postoperative delirium are CBZ use duration, hgb, serum CBZ level measured 24 h before surgery, preoperative CBZ dose, and BUN. Through machine learning five algorithms to build prediction models, we found the following values for the training group: Logistic algorithm (AUC value = 0.925, accuracy = 0.900); Forest algorithm (AUC value = 0.994, accuracy = 0.948); GradientBoosting algorithm (AUC value = 0.994, accuracy = 0.970) and DecisionTree algorithm (aucvalue = 0.902, accuracy = 0.861); Gbm algorithm (AUC value = 0.979, accuracy = 0.944). The test group had the following values: Logistic algorithm (aucvalue = 0.920, accuracy = 0.901); DecisionTree algorithm (aucvalue = 0.888, accuracy = 0.883); Forest algorithm (aucvalue = 0.963, accuracy = 0.909); GradientBoostingc algorithm (aucvalue = 0.962, accuracy = 0.923); Gbm algorithm (AUC value = 0.956, accuracy = 0.920).ConclusionMachine learning algorithms predict the occurrence of delirium after microvascular decompression with an accuracy rate of 96.7%. And the major risk factors for the development of post-cardiac delirium are carbamazepine, hgb, and BUN.