南方医科大学学报

作者：崔运能, 冯敏清, 姚亮凤, 严杰文, 李闻瀚, 黄燕平

单位：1.暨南大学附属第一医院，放射科，广东 广州 510630；2.佛山市妇幼保健院 放射科，广东 佛山 528000；3.暨南大学附属第一医院，妇科，广东 广州 510630；4.广州市第一人民医院 妇科，广东 广州 510180；5.佛山市妇幼保健院 妇科，广东 佛山 528000；6.佛山大学物理与光电工程学院，广东 佛山 528231

关键词：子宫肌瘤,磁共振成像,高强度聚焦超声,机器学习,预测模型,类别不平衡,影像组学,欠采样,

基金：广东省医学科研基金(B2019161);佛山市医学影像精准诊断工程技术研究中心(FS0AA?KJ819?4901?0049)

目的 探讨不同欠采样方法在解决小样本数据类别不平衡问题中的应用，以提高机器学习模型术前预测子宫肌瘤高强度聚焦超声（HIFU）消融效果的准确性。 方法 收集在佛山市妇幼保健院就诊的140例HIFU治疗子宫肌瘤患者临床及影像学数据，其中高消融率组104例，低消融率组36例，提取患者MRI-T2WI影像组学特征，构建HIFU治疗机器学习预测模型。应用7种欠采样方法，即随机欠采样（RUS）、重复编辑最近邻（RENN）、全K最近邻（AllKNN）、近邻缺失-3（NM）、凝聚最近邻（CNN）、邻域清理规则（NCR）和实例硬度阈值（IHT），使用4种机器学习模型，即K最近邻（KNN）、随机森林（RF）、支持向量机（SVM）和多层感知机（MLP）共计构建28种预测模型处理类别不平衡数据，并通过5折交叉验证方法、以受试者工作特征曲线下面积（AUC）、准确率、召回率和特异性等评估各模型性能。 结果 欠采样方法与机器学习模型交叉组合的结果为：4种最佳组合AUC即CNN-RF为0.772（95%置信区间：0.566~0.942）、NM-SVM为0.797（95%置信区间：0.600~0.950）以及CNN-KNN和NM-MLP均为0.822（95%置信区间分别为0.635~0.964、0.632~0.960）。各机器学习模型的AUC在欠采样后均显著增高，其中以MLP模型改善最明显；各模型的召回率也显著增加，即CNN-RF召回率增加0.389、NM-SVM为0.836、CNN-KNN为0.532、NM-MLP为0.372。 结论 欠采样方法可有效解决小样本类别不平衡问题，为构建子宫肌瘤HIFU消融效果的机器学习预测模型提供新思路。

来源：2026年第1期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2026年第1期