卵巢恶性瘤多类风险模型:由于选择算法而导致的预测不确定性的说明
Ashleigh Ledger1, Jolien Ceusters1,2, Lil Valentin3,4
1Department of Development and Regeneration, KU Leuven, Herestraat 49 box 805, Leuven, 3000, Belgium.
BMC medical research methodology
|November 24, 2023
概括
对比了六种算法来估计卵巢瘤恶性瘤风险. 虽然模型的整体性能相似,但个体风险概率估计有很大差异,影响了患者管理决策.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 准确评估卵巢瘤恶性瘤风险对于指导患者管理至关重要.
- 区分良性,边缘恶性和侵入性或转移性卵巢癌的各个阶段是必不可少的.
研究的目的:
- 为了比较六个机器学习算法的性能,估计不同卵巢瘤分类的概率.
- 评估具有和没有包括CA125作为预测器的模型.
主要方法:
- 一项回顾性队列研究,涉及5909名患者进行模型开发和3199名患者进行验证.
- 使用标准多项逻辑回归 (MLR),Ridge MLR,随机森林 (RF),XGBoost,神经网络 (NN) 和支持向量机器 (SVM) 的模型开发.
- 使用了九个临床和超声波预测指标,并进行了包括CA125水平在内的和不包括CA125水平的比较分析.
主要成果:
- 所有模型都在区分良性瘤和恶性瘤方面表现出强的表现 (AUROC 0.89-0.92).
- 多类区别差异很大 (0.41-0.55),XGBoost和RF显示出更好的校准.
- 在模型之间观察到个人概率估计的显著差异 (通常>20%),影响了显著比例的患者的分类.
结论:
- 几个算法在对卵巢瘤恶性瘤风险评估中表现相似的整体性能.
- 不同模型中个体概率估计的实质性变化需要在临床应用中仔细考虑.
- 算法的选择可以影响患者的分类和随后的管理决策.
