机器学习算法的应用,用于预测胃神经内分泌瘤中的淋巴结转移

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 内分泌学 在内分泌学.

背景情况:

• 神经内分泌瘤 (NENs) 起源于扩散的内分泌系统分泌细胞,经常产生激素.
• 胃NEN是一个临床挑战,淋巴结转移会影响预后.
• 准确预测转移对于有效的患者管理至关重要.

研究的目的:

• 在胃NEN患者中开发和验证淋巴结转移风险的预测模型.
• 利用机器学习来提高胃NEN的诊断和预后能力.
• 在这个患者队列中确定淋巴结转移的关键预测因素.

主要方法:

• 利用来自单一机构和SEER数据库的1,256名胃NEN患者的综合数据集.
• 开发并比较了六种机器学习算法:逻辑回归 (LR),随机森林 (RF),决策树 (DT),天真贝叶斯 (NB),支持矢量机 (SVM) 和k-最近邻居 (KNN).
• 使用标准指标评估模型性能,包括AUC,精度,灵敏度和特异性.

主要成果:

• 在1256名胃NEN患者中,有21.97%的淋巴结转移.
• 转移的重要预测因素包括T阶段,瘤大小,分化等级和性别.
• 随机森林 (RF) 模型表现出优异的预测性能,AUC为0.81,准确度为0.78,灵敏度为0.76,特异性为0.82.

结论:

• 随机森林 (RF) 模型为胃NENs的淋巴结转移提供了最高的预测准确性.
• 这种经过验证的预测模型可以帮助临床医生进行风险分层和个性化治疗计划.
• 这些发现支持将机器学习工具整合到胃NENs的临床管理中.