人工智能（AI）已经在今天几乎每个领域都发挥了作用，有潜力通过自动化、预测和优化决策来改善现有系统。乳房重建是一种非常常见的手术过程，大多数情况下采用基于植入物的重建（IBR）。然而，这个过程往往伴随着周围假体感染，给患者带来重大痛苦并增加医疗保健成本。德克萨斯大学的这项研究探讨了人工智能特别是机器学习（ML）及其能力如何应用于预测IBR的并发症，从而最终改善生活质量。
与乳房重建相关的风险和并发症取决于许多非线性因素，传统方法无法捕捉。因此，本文的作者们开发和评估了九种不同的ML算法，以更好地预测IBR的并发症，并将其性能与传统模型进行了比较。
该数据集收集了约两年的患者数据，数据来自德克萨斯大学MD安德森癌症中心。研究人员使用的一些不同模型包括人工神经网络、支持向量机、随机森林等。此外，研究人员还使用了投票模型来进行最终预测，以获得更好的结果。在性能指标方面，研究人员使用曲线下面积（AUC）在三轮10折交叉验证后选择最佳模型。
在这九种算法中，预测周围假体感染的准确率在67%至83%之间，随机森林算法表现最佳，投票模型具有最佳整体性能（AUC 0.73）。关于预测解释性，准确率在64%至84%之间，极端梯度提升算法表现最佳（AUC 0.78）。
额外的分析还确定了周围假体感染和解释的重要预测因素，从而更加深入地了解导致IBR并发症的因素。例如，高体重指数（BMI）、年龄等因素会增加感染的风险。研究人员观察到BMI与感染风险之间存在线性关系，尽管其他研究报告称年龄不会影响IBR感染，但作者发现两者之间存在线性关系。
作者还指出了模型的一些局限性。由于数据只来自一家机构，因此他们的结果不能泛化到其他机构。此外，额外的验证将使这些模型得以临床应用，并有助于减少可怕并发症的风险。此外，临床相关变量和人口统计学因素可以融入模型中以进一步提高性能和准确性。
总之，本研究论文的作者们训练了九种不同的ML算法，以准确预测IBR并发症的发生。他们还分析了各种因素对IBR感染的影响，其中一些因素被以前的模型所忽视。然而，这些算法也存在一些限制，如数据仅来自一家机构、缺乏额外验证等。使用来自不同机构的更多数据来训练模型并添加其他因素（临床和人口统计学）将改善模型的性能，帮助医务人员更好地解决IBR感染问题。
本文的文章首次出现在MarkTechPost上，信息来源于德克萨斯大学研究人员展示利用机器学习预测基于植入物的重建并发症。