基于机器学习的膀胱输尿管反流量化：提升准确性与效率
机器学习
2025-06-16 v1 人工智能
摘要
膀胱输尿管反流（VUR）传统上通过主观分级系统进行评估，这引入了诊断的变异性。本研究探讨了利用机器学习通过分析排尿性膀胱尿道造影（VCUG）图像来提高诊断一致性的方法。共回顾了113张VCUG图像，并由专家对VUR严重程度进行分级。选取了九项基于图像的特征来训练六种预测模型：逻辑回归、决策树、梯度提升、神经网络和随机梯度下降。通过留一交叉验证对模型进行评估。分析识别出肾盏的变形模式作为高级别VUR的关键指标。所有模型均实现了准确分类，无假阳性或假阴性结果。通过显著的曲线下面积（AUC）值确认了模型对不同VUR级别特征性细微图像模式的高灵敏度。结果表明，机器学习可以为当前主观VUR评估提供一种客观且标准化的替代方案。这些发现凸显了肾盏变形作为严重病例强预测因子的作用。未来研究应致力于扩展数据集、精炼成像特征并提升模型的泛化能力以用于更广泛的临床应用。
引用
@article{arxiv.2506.11508,
title = {Machine Learning-Based Quantification of Vesicoureteral Reflux with Enhancing Accuracy and Efficiency},
author = {Muhyeeddin Alqaraleh and Mowafaq Salem Alzboon and Mohammad Subhi Al-Batah and Lana Yasin Al Aesa and Mohammed Hasan Abu-Arqoub and Rashiq Rafiq Marie and Firas Hussein Alsmad},
journal= {arXiv preprint arXiv:2506.11508},
year = {2025}
}