通过人工智能模型预测口腔癌的术后复发:多层感知器

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 口腔癌的术后复发显著影响患者的预后.
• 准确预测复发对于有效的患者管理至关重要.
• 人工智能提供了新的方法来增强瘤学的预测能力.

研究的目的:

• 开发和评估一种人工智能模型,用于预测术后口腔癌复发的风险.
• 为了比较不同机器学习模型和可变输入策略的性能,用于复发预测.

主要方法:

• 通过使用手术后口腔癌387名患者的数据建立了一个多层感知子 (MLP) 模型.
• 综合变量模型与特征变量模型进行了比较.
• 与其他预测模型相比,评估了MLP模型的灵敏度.

主要成果:

• 在使用全面的可变输入时,MLP模型表现出最佳的整体性能.
• 用综合变量训练的预测模型表现优于用特征变量训练的模型.
• 该MLP模型在预测口腔癌复发方面表现出良好的灵敏度.

结论:

• 开发的MLP模型是预测术后口腔癌复发的敏感工具.
• 在模型训练中使用综合变量可以提高预测准确度,而不是仅使用特征变量.
• 这种人工智能驱动的方法有望改善口腔癌患者的治疗结果.