换一批基于机器学习算法的颅内脑膜瘤切除术后瘤周脑水肿加重的预测模型构建与验证
Construction and validation of a predictive model for the aggravation of peritumoral brain edema aggravation after intracranial meningioma resection surgery based on machine learning algorithms
摘要目的 分析颅内脑膜瘤切除术后瘤周脑水肿(PTBE)加重的影响因素,并应用五种机器学习算法构建预测模型和进行验证.方法 回顾性选取2020 年1 月—2024 年 12 月在邯郸市中心医院行颅内脑膜瘤切除术的207 例患者,按照7∶3 比例随机分为训练组(145 例)和验证组(62 例),收集所有患者临床资料和放射学资料.采用单因素分析、LASSO 回归及多因素 Logistic 回归(LR)分析颅内脑膜瘤患者术后 PTBE 加重的影响因素.基于独立危险因素构建五种机器学习算法预测模型.采用受试者工作特征(ROC)曲线分析机器学习算法预测模型的预测能力.结果 训练集颅内脑膜瘤患者切除术后 PTBE 加重发生率为 29.66%(43/145),验证集发生率为25.81%(16/62).多因素 LR 分析显示,肿瘤供血的大血管数量、肿瘤 MRI 强化强度、肿瘤体积、术前水肿指数为训练集颅内脑膜瘤患者切除术后 PTBE 加重的独立危险因素(P<0.05).五种机器学习算法预测模型中,随机森林(RF)模型的预测价值最高.校准曲线显示,验证集 RF模型的预测概率与实际曲线贴合;决策曲线显示,预测概率>0.14 时,验证集 RF 模型的临床净获益>0.变量重要性分析结果显示,肿瘤供血大血管数量、肿瘤 MRI 强化强度是影响颅内脑膜瘤患者术后 PTBE 加重的两个最重要预测因子.结论 基于肿瘤供血的大血管数量、肿瘤 MRI 强化强度、肿瘤体积及术前水肿指数构建的 RF 模型预测价值较高,具有良好的准确性和临床实用价值,有望为术前风险评估与个体化治疗策略制定提供有效参考.
更多相关知识
关键词
颅内脑膜瘤瘤周脑水肿机器学习预测模型intracranial meningiomaperitumoral brain edemamachine learningpredictive model
分类号
R739.41（神经系肿瘤）
栏目名称
DOI
10.3969/j.issn.1672-7770.2026.02.012
发布时间
2026-05-06（万方平台首次上网日期，不代表论文的发表时间）
基金项目
河北省医学科学研究课题计划项目（20261220）
- 浏览3
- 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
