本研究利用CT形态学测量值、血清生物标志物和年龄构建了机器学习模型，其中随机森林和自适应增强模型在预测模型构建中具有潜在的附加价值。
本研究利用CT形态学测量值、血清生物标志物和年龄构建了机器学习模型，其中随机森林和自适应增强模型在预测模型构建中具有潜在的附加价值。
研究背景
基于CT形态学特征、血清生物标志物和基本身体状况，开发和比较用于预测食管静脉曲张出血的机器学习模型。
材料和方法
本回顾性研究纳入了224名患有食管静脉曲张且伴有或不伴有出血的肝硬化患者。研究中使用了临床和血清生物标志物数据。此外，还使用了开源分割模型来生成肝脏和脾脏的分割掩膜。基于所选特征，构建了四个机器学习模型用于预测，并使用受试者工作特征（ROC）分析来评估模型的诊断性能。
结果
224名肝硬化伴食管静脉曲张患者中，112例患者有出血（平均年龄52.8±11.5岁，范围18-80岁），另112例患者无出血（平均年龄57.3±10.5岁，范围34-85岁）。两组在标准化脾脏体积、纤维蛋白原、丙氨酸氨基转移酶、天冬氨酸氨基转移酶、D-二聚体、血小板和年龄方面存在显著差异。本研究中训练集与测试集的比例为8:2，并采用了5折交叉验证。在训练集中，线性回归、随机森林、支持向量机和自适应增强（AdaBoost）模型的曲线下面积（AUC）分别为0.742、0.854、0.719和0.821。在测试集中，这些模型的AUC分别为0.763、0.818、0.648和0.804。
结论
本研究利用CT形态学测量值、血清生物标志物和年龄构建了机器学习模型，其中随机森林和自适应增强模型在预测模型构建中具有潜在的附加价值。
参考文献：Zhao, H., Zhang, X., Huang, B. et al. Application of machine learning methods for predicting esophageal variceal bleeding in patients with cirrhosis. Eur Radiol (2024). https://doi.org/10.1007/s00330-024-11311-4
版权声明：本平台旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。仅供医疗卫生专业人士为了解资讯使用，该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台及作者不承担相关责任。合作联系邮箱：981686121@qq.com。
