基于ME-NBI内镜形态学参数预测胃LGIN组织学进展的临床预测模型的建立.pdf

中文摘要

基于ME-NBI内镜形态学参数预测胃LGIN组织学进展的临床

预测模型的建立

摘要

目的：探讨应用放大内镜结合窄带成像（magnifyingendoscopywith

narrow-bandimaging，ME-NBI）技术判断胃低级别上皮内瘤变（Low-Grade

IntraepithelialNeoplasia，LGIN）组织学进展的价值，并建立相关临床预

测模型。

方法：回顾性分析2018年1月1日—2022年12月31日河北医科大

学第四医院行ME-NBI检查同时病理诊断为胃LGIN的166例患者的临床

资料（包括：性别、年龄、黏膜充血水肿、隆起、平坦、凹陷、表面不完

整、附苔、清晰边界线、规则微结构、规则微血管、病变大小，胃镜随访

结果）。初末次胃镜检查间隔时间为2.2个月-58.6个月。平均进展时间为

9.2个月。使用卡方检验、二元Logistic回归方法分析与胃LGIN组织学

进展相关的内镜形态学特征及独立危险因素。通过机器学习建立临床预测

模型，准确率、受试者工作特征曲线下面积（AreaUndertheCurve，

AUC）用于验证预测模型的应用价值。

结果：166例病理确诊为胃LGIN患者中，59例进展为高级别上皮内

瘤变（High-GradeIntraepithelialNeoplasia，HGIN）或癌，107例未进展。

升级率、降级率分别为35.5%、31.9%。有四个形态学特征在评估胃LGIN

2

组织学进展时具有显著意义，包括：黏膜凹陷（χ=10.41，P=0.001）、

22

黏膜表面不完整（χ=11.55，P＜0.001）、规则微血管（χ=4.00，

2

P=0.046）、病变大小（χ=24.97，P＜0.001）。黏膜凹陷（OR=3.302，

P=0.005）、黏膜表面不完整（OR=2.671，P=0.011）、病变大小(OR=5

.556，P＜0.001)是胃LGIN组织学进展的独立危险因素。基于Logistic

回归、随机森林（RandomForest，RF）、决策树（DecisionTree，DT）、

K近邻（K-NearestNeighbor，KNN）、支持向量机（SupportVectorMachine，

SVM）五种机器学习算法建立的用于预测胃LGIN组织学是否进展的临床

预测模型的预测准确率分别为74.13%、73.30%、72.39%、73.19%、

72.43%，AUC分别为0.80、0.61、0.61、0.52、0.79。基于Logistic回归

1

中文摘要

算法建立的临床预测模型准确率及AUC均最高，黏膜表面不完整、黏膜

凹陷、规则微血管、病变大小四个变量在模型中的权重分别为0

1-01.3920842。Logistic回归公式可表示为：

h(x)=0X+1X+（-0X）1.3920842X-1

1234

2

年龄（χ=7.128，P=0.008）在评估胃LGIN能否逆转为炎症中有显著意

义，并且为独立危险因素。

结论：ME-NBI技术下形态学表现为黏膜凹陷、黏膜表面不完