目的:探讨基于多种实验室检测指标构建的人工智能模型用于卵巢恶性肿瘤诊断的临床应用价值。方法:回顾性分析郑州大学第一附属医院收集的3465例卵巢恶性肿瘤和6987例卵巢良性肿瘤患者的实验室检测数据,将患者按7∶3随机分为训练集(7317例)和测试集(3135例),采用Boruta特征选择法和Lasso回归法进行特征筛选,构建随机森林、逻辑回归、支持向量机和梯度提升决策树模型,并通过曲线下面积(area under the curve,AUC)、准确率、精确率、召回率和F1分数综合评估模型效能。结果:随机森林模型在测试集中表现最佳,AUC为0.924,准确率为0.872,召回率为0.749,优于其余3种模型及常用单一指标[人附睾蛋白4(human epididymis protein 4,HE4)、糖类抗原125(carbohydrate antigen 125,CA125)、CA15-3和D-二聚体]。特征重要性分析显示,HE4、CA15-3、CA19-9、CA125、CA724、甲胎蛋白、D-二聚体、纤维蛋白原、白蛋白、乳酸脱氢酶、中性粒细胞百分比、中性粒细胞绝对值、淋巴细胞百分比、淋巴细胞绝对值和血小板计数15项指标在模型中贡献显著,提示其在临床诊断中具有重要价值。结论:基于实验室检测数据构建的随机森林模型在诊断卵巢恶性肿瘤中表现出较高效能,具备良好的临床应用潜力。未来可进一步结合多中心数据和多模态信息,不断提升模型的泛化能力与临床可解释性,推动其在实际诊疗中的深化应用。
