关键词:
早期结直肠肿瘤
深层浸润
机器学习
内镜征象
预测模型
摘要:
目的基于临床和内镜特征构建机器学习模型预测早期结直肠肿瘤(early colorectal neoplasms,ECN)黏膜下深层浸润的风险。方法回顾性纳入2023年9月至2025年8月首都医科大学附属北京朝阳医院416例经内镜或手术切除并经术后病理证实的ECN患者。收集年龄、性别、肿瘤部位、病变直径及内镜征象。采用LASSO回归筛选特征,SHAP分析贡献度,构建决策树、随机森林、XGBoost、多层感知器神经网络4种模型,并进行5折分层交叉验证、重复5折交叉验证和Bootstrap重抽样验证。使用受试者工作特征曲线下面积(area under the curve,AUC)、灵敏度、特异度等指标评价模型性能。采用DeLong检验分析模型间的AUC差异,以校准曲线评价模型校准度。结果病变直径、糜烂或破溃、表面凹陷、皱襞集中、失去正常分叶、活动性欠佳和抬举征阴性与ECN患者黏膜下深层浸润显著相关(均P<0.05)。LASSO回归筛选出16个特征,且SHAP分析显示活动性欠佳、失去正常分叶、表面凹陷和皱襞集中对模型预测的贡献度相对较大。XGBoost模型的AUC最高,达0.842(95%CI:0.767~0.880),且其灵敏度(0.732)亦优于其他模型;随机森林模型的AUC为0.834,决策树模型的AUC为0.783,多层感知器神经网络模型的AUC为0.740。随机森林和多层感知器神经网络的校准曲线均显示模型具有良好的预测一致性。结论基于临床和内镜特征的机器学习模型,特别是随机森林和XGBoost模型,可有效预测ECN深层浸润风险,具有临床决策支持潜力,有助于术前精准分层和个体化治疗。