换一批基于欠采样的影像组学机器学习模型术前预测子宫肌瘤高强度聚焦超声消融效果
Enhancement of radiomics-based machine learning models for predicting efficacy of high-intensity focused ultrasound ablation of uterine fibroids using undersampling methods
摘要目的 探讨不同欠采样方法在解决小样本数据类别不平衡问题中的应用,以提高机器学习模型术前预测子宫肌瘤高强度聚焦超声(HIFU)消融效果的准确性.方法 收集在佛山市妇幼保健院就诊的140例HIFU治疗子宫肌瘤患者临床及影像学数据,其中高消融率组104例,低消融率组36例,提取患者MRI-T2WI影像组学特征,构建HIFU治疗机器学习预测模型.应用7种欠采样方法,即随机欠采样(RUS)、重复编辑最近邻(RENN)、全K最近邻(AllKNN)、近邻缺失-3(NM)、凝聚最近邻(CNN)、邻域清理规则(NCR)和实例硬度阈值(IHT),使用4种机器学习模型,即K最近邻(KNN)、随机森林(RF)、支持向量机(SVM)和多层感知机(MLP)共计构建28种预测模型处理类别不平衡数据,并通过5折交叉验证方法、以受试者工作特征曲线下面积(AUC)、准确率、召回率和特异性等评估各模型性能.结果 欠采样方法与机器学习模型交叉组合的结果为:4种最佳组合AUC即CNN-RF为0.772(95%置信区间:0.566～0.942)、NM-SVM为0.797(95%置信区间:0.600～0.950)以及CNN-KNN和NM-MLP均为0.822(95%置信区间分别为0.635～0.964、0.632～0.960).各机器学习模型的AUC在欠采样后均显著增高,其中以MLP模型改善最明显;各模型的召回率也显著增加,即CNN-RF召回率增加0.389、NM-SVM为0.836、CNN-KNN为0.532、NM-MLP为0.372.结论 欠采样方法可有效解决小样本类别不平衡问题,为构建子宫肌瘤HIFU消融效果的机器学习预测模型提供新思路.
更多相关知识
关键词
子宫肌瘤磁共振成像高强度聚焦超声机器学习预测模型类别不平衡影像组学欠采样uterine fibroidmagnetic resonance imaginghigh-intensity focused ultrasoundmachine learningpredictionclass imbalanceradiomicsundersampling
栏目名称
DOI
10.12122/j.issn.1673-4254.2026.01.15
发布时间
2026-01-22（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
