一个基于舌头图像的肺癌风险警告模型
Yulin Shi1, Dandan Guo2, Yi Chun2
1Experimental Education Center of Shanghai University of Traditional Chinese Medicine, Shanghai, China.
Frontiers in physiology
|June 16, 2023
概括
使用舌头图像数据的机器学习模型对肺癌风险评估有希望. 将舌头图像与基线数据相结合,可显著提高预测准确度,优于单独使用任何数据源的模型.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在瘤学中
- 传统中医诊断 诊断 传统中医诊断
背景情况:
- 肺癌仍然是全球主要的死亡原因.
- 早期检测对于改善患者的治疗结果至关重要.
- 需要新的诊断工具来补充现有方法.
研究的目的:
- 分析肺癌患者的舌头图像特征与那些有良性肺结节的人.
- 利用舌头图像数据开发和评估用于肺癌风险预测的机器学习模型.
- 评估舌头图像数据的附加值与基线临床信息相结合.
主要方法:
- 采集了862名参与者的舌头图像 (263名肺癌,292名良性结节,307名健康对照) 使用数字舌头诊断仪器.
- 采用特征提取技术获得舌头图像指数,并分析其统计特征.
- 使用不同的数据组合构建并比较了六个机器学习模型 (逻辑回归,决策树,SVM,随机森林,神经网络,原始贝叶斯).
主要成果:
- 在肺癌和良性结节组之间的舌头图像数据中观察到明显的统计特征和相关性.
- 随机森林模型仅使用舌头图像数据,达到0.679 ± 0.048的精度和0.752 ± 0.051.05的AUC.
- 结合基线和舌头图像数据的模型表现出卓越的性能,SVM模型实现了最高的精度 (0.774 ± 0.029) 和物流回归最高的AUC (0.808 ± 0.031).
结论:
- 以传统中医原则为指导的舌头诊断数据对肺癌具有诊断价值.
- 将客观的舌头图像数据与基线临床数据相结合,显著提高了肺癌预测模型的有效性.
- 这种综合方法为改善早期肺癌检测提供了一个有希望的非侵入性策略.
