Koos分级3～4级听神经瘤术后面神经功能结局的机器学习预测模型的构建及验证
郐国虎
李彦东
章高财
艾合买提·艾尔肯
朱国华
麦麦提力·米吉提
更·党木仁加甫
新疆医科大学第一附属医院神经外科,乌鲁木齐 830054
摘要：目的 应用机器学习构建Koos分级3～4级听神经术后面神经功能结局的预测模型,并评价其效能.方法 回顾性分析2020年8月至2022年5月新疆医科大学第一附属医院神经外科手术治疗的55例Koos分级3～4级听神经瘤患者的临床资料.术后6个月使用House-Brackmann量表评价面神经功能,其中Ⅰ～Ⅱ级为预后良好,Ⅲ～Ⅵ级为预后不良.首先按照随机森林(RF)算法筛选特征变量并结合多因素logistic回归分析结果将最终变量纳入预测模型,将研究对象按照7∶3随机分为训练集和测试集,采用支持向量机(SVM)、朴素贝叶斯(NB)、XGBoost、梯度提升树(GBDT)、LightGBM五种方法建模.结果 55例中,术后面神经功能预后良好38例,预后不良17例.RF算法筛选的预后影响因素根据特征变量重要性评分分别为:肿瘤与面神经粘连程度(32.3%)、肿瘤质地(26.1%)、肿瘤直径(22.6%)、年龄(11.4%)、术前面神经功能分级(7.7%).多因素logistic回归分析结果显示:肿瘤性质为囊性、较大的肿瘤直径及肿瘤与面神经粘连程度为重度为koos分级3～4级听神经瘤术后面神经功能不良结局的独立危险因素(P<0.05).结合RF算法及多因素logistic回归分析结果,最终纳入模型前4位预后影响因素(肿瘤与面神经粘连程度、肿瘤直径、肿瘤质地及年龄)进行机器学习预测模型构建.在训练集中,XGBoost和GBDT模型最佳,ROC曲线下面积均为1.000,但是在测试集中ROC曲线下面积分别为0.764、0.786,表现欠佳,显示出过度拟合趋势.在测试集中,最佳预测模型为SVM.为了保证预测模型的稳定性与持续性,最终选择SVM为最终预测模型,因其训练集ROC曲线下面积为0.989、测试集ROC曲线下面积为0.971,均表现出较好的性能.结论 本研究显示机器学习在构建Koos分级3～4级听神经瘤术后面神经功能结局预测模型方面具有良好的价值,本研究SVM模型的预测效果最佳.
关键词：听神经瘤面神经功能机器学习预测模型
资助基金：新疆维吾尔自治区自然科学基金(2023D01C98)
论文发表日期：2025-11-25
在线出版日期：2026-01-12（本平台首次上网日期，不代表文献的发表时间）
页数：5( 667-671 )
英文信息