研究團隊訓練了LR、AdaBoost、LightGBM 等6個常用的機器學習模型。在測試集中，LightGBM模型表現較佳，AUROC達到0.960（95% CI 0.937 to 0.977），平均精度為0.482（95% CI 0.470 to 0.494），并且與AI輔助的細胞學家表現相似（AUROC 0.955 [95% CI 0.933 to 0.975]）。因此被選為進一步分析的終模型。
各分析模型準確性
如果將模型定義的中度風險和高風險組轉介到內窺鏡檢查，其敏感性為94.5％（95% CI 88.8 to 97.5），特異性為91.9％（95% CI 91.2 to 92.5），預測陽性值為18.4％（95% CI 15.6 to 21.6）。
最后，使用社區(qū)2901例參與者的數據對模型進行驗證。在這個驗證集中，1.2%(36 of 2901) 的參與者經內窺鏡診斷為陽性。經驗證，LightGBM模型的AUROC為0.964（95% CI 0.920 to 0.990）。使用預定義的PRS，92.8％的參與者被分類為低風險，2.1％被分類為中風險，5.0％被分類為高風險。
