基于舌头和瘤标志物的非小细胞肺癌不同阶段的机器学习预测模型:试点研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 非小细胞肺癌 (NSCLC) 的分期对于治疗决策至关重要.
• 传统的诊断方法依赖于成像和活检.
• 探索新的生物标志物,如舌头特征,可以提高诊断准确度.

研究的目的:

• 分析NSCLC不同阶段的舌头特征.
• 为了研究舌头特征和瘤标志物之间的相关性.
• 评估开发使用舌头特征和瘤标志物的NSCLC分期预测模型的可行性.

主要方法:

• 收集了来自109名非高级和110名高级NSCLC患者的舌头图像.
• 分析了舌头图像以提取特征,并将它们与瘤标志物相关联.
• 开发和评估了六种用于NSCLC分期的机器学习模型 (决策树,物流回归,SVM,随机森林,天真海湾,神经网络).

主要成果:

• 在非高级和高级NSCLC组之间观察到舌头特征的统计学上显著差异.
• 高级NSCLC表现出更多的舌头特征和瘤标志物之间的显著相关性,与更强的关联.
• 神经网络,随机森林和天真海湾模型显示出更高的分类效率,分别达到0.767,0.718和0.688的准确度.

结论:

• 在NSCLC的不同阶段,舌头的特征显著不同,并且与瘤标记物相关,特别是在晚期.
• 虽然有希望,但单独的舌头特征和瘤标志物不足以确定NSCLC在这个试点研究中的阶段.
• 将舌头图像数据与瘤标志物和基线数据集成显示了在NSCLC分期中提高差异诊断效率的潜力,需要进一步的大规模验证.