שימוש בבינה מלאכותית לזיהוי נגעי אנדומטריוזיס רקטוסיגמואידים עמוקים

מטרת המחקר הייתה להשוות את יכולת הדיוק של שבעה מודלים קלאסיים של למידת מכונה (ML) אשר אומנו להעלות חשד לאנדומטריוזיס במעי על סמך מרקרים רכים בעל-קול.

החוקרים אספו נתונים להזנה במודלים מתוך מאגר נתונים של מחקר שנערך בעבר על אנדומטריוזיס במעי, בו נכללו 333 מטופלות. המודלים הבאים נבחנו: k-nearest neighbors algorithm (k-NN), Naive Bayes, Neural Networks (NNET-neuralnet), Support Vector Machine (SVM), Decision Tree, Random Forest, ו-Logistic Regression. האסטרטגיה של החוקרים בנוגע לנתונים הייתה לפצל באופן רנדומלי את מאגר הנתונים כולו לשני תתי-מאגרים. קבוצה אחת של הנתונים, הוזנה למטרות אימון, והקבוצה השנייה שימשה כקבוצת ביקורת, והן הכילו 67% ו-33% מהמקרים, בהתאמה.

המידע אשר הוזן במודלים היה: גיל, נוכחות סימנים בעל-קול של אדנומיוזיס ברחם, נוכחות אנדומטריומה, הדבקויות בין השחלות לרחם, נוכחות ״שחלות נושקות״, היעדר סימן החלקה. החוקרים הגדירו מעורבות מעי במקרים בהם הסבירות המוערכת הייתה גדולה מ-0.5.

תוצאות המחקר הראו כי מתוך הנשים אשר השתתפו במחקר ממנו נאספו הנתונים, 106 נשים אובחנו על ידי מומחה על-קול עם מחלת אנדומטריוזיס רקטוסיגמואידיאלית. מבחינת נכונות אבחנתית, המודל הטוב ביותר היה Neural Net (נכונות 0.73, רגישות 0.72, סגוליות 0.73, PPV 0.52, ו-NPV 0.86), אך ללא הבדל משמעותי ביחס לשאר המודלים.

החוקרים סיכמו כי יכולת הדיוק בשימוש בסמנים רכים בעל-קול להעלאת חשד לאנדומטריוזיס רקטוסיגמואידאלי באמצעות מודלים של בינה מלאכותית הייתה דומה לזו אשר נבדקה במודלים של רגרסיה סטטיסטית.

מקור: 

Stefano Guerriero et. al (2021) EJOG DOI: https://doi.org/10.1016/j.ejogrb.2021.04.012